免疫遺傳演算法介紹

❶ 如何通俗易懂地解釋遺傳演算法

遺傳演算法，核心是達爾文優勝劣汰適者生存的進化理論的思想。

我們都知道一個種群，通過長時間的繁衍，種群的基因會向著更適應環境的趨勢進化，牛B個體的基因被保留，後代越來越多，適應能力低個體的基因被淘汰，後代越來越少。經過幾代的繁衍進化，留下來的少數個體，就是相對能力最強的個體了。

那麼在解決一些問題的時候，我們能不能學習這樣的思想，比如先隨機創造很多很多的解，然後找一個靠譜的評價體系，去篩選比較好的解，再用這些好的解像生小寶寶一樣生一堆可能更好的解，然後再篩再生，反復弄個幾代，得到的說不定就是近似最優解喲

說干就干，有一個經典組合問題叫「背包問題」，我們拿這種思路來試試

「背包問題（Knapsack Problem）是一種組合優化的NP完全問題。問題可以描述為：給定一組物品，每種物品都有自己的重量和價格，在限定的總重量內，我們如何選擇，才能使得物品的總價格最高。問題的名稱來源於如何選擇最合適的物品放置於給定背包中。」

這個問題的衍生簡化問題「0-1背包問題」 增加了限制條件：每件物品只有一件，可以選擇放或者不放，更適合我們來舉例

這樣的問題如果數量少，當然最好選擇窮舉法

比如一共3件商品，用0表示不取，1表示取，那麼就一共有

000 001 010

011 100 101

110 111

這樣方案，然後讓計算機去累加和，與重量上限比較，留下來的解里取最大即可。

❷ 免疫演算法的提出

在生命科學領域中，人們已經對遺傳(Heredity)與免疫(Immunity)等自然現象進行了廣泛深入的研究。六十年代Bagley和Rosenberg等先驅在對這些研究成果進行分析與理解的基礎上，借鑒其相關內容和知識，特別是遺傳學方面的理論與概念，並將其成功應用於工程科學的某些領域，收到了良好的效果。時至八十年代中期，美國Michigan大學的Hollan教授不僅對以前的學者們提出的遺傳概念進行了總結與推廣，而且給出了簡明清晰的演算法描述，並由此形成目前一般意義上的遺傳演算法(GeneticAlgorithm)GA。由於遺傳演算法較以往傳統的搜索演算法具有使用方便、魯棒性強、便於並行處理等特點，因而廣泛應用於組合優化、結構設計、人工智慧等領域。另一方面，Farmer和Bersini等人也先後在不同時期、不同程度地涉及到了有關免疫的概念。遺傳演算法是一種具有生成+檢測 (generate and test)的迭代過程的搜索演算法。從理論上分析，迭代過程中，在保留上一代最佳個體的前提下，遺傳演算法是全局收斂的。然而，在對演算法的實施過程中不難發現兩個主要遺傳運算元都是在一定發生概率的條件下，隨機地、沒有指導地迭代搜索，因此它們在為群體中的個體提供了進化機會的同時，也無可避免地產生了退化的可能。在某些情況下，這種退化現象還相當明顯。另外，每一個待求的實際問題都會有自身一些基本的、顯而易見的特徵信息或知識。然而遺傳演算法的交叉和變異運算元卻相對固定，在求解問題時，可變的靈活程度較小。這無疑對演算法的通用性是有益的，但卻忽視了問題的特徵信息對求解問題時的輔助作用，特別是在求解一些復雜問題時，這種忽視所帶來的損失往往就比較明顯了。實踐也表明，僅僅使用遺傳演算法或者以其為代表的進化演算法，在模仿人類智能處理事物的能力方面還遠遠不足，還必須更加深層次地挖掘與利用人類的智能資源。從這一點講，學習生物智能、開發、進而利用生物智能是進化演算法乃至智能計算的一個永恆的話題。所以，研究者力圖將生命科學中的免疫概念引入到工程實踐領域，藉助其中的有關知識與理論並將其與已有的一些智能演算法有機地結合起來，以建立新的進化理論與演算法，來提高演算法的整體性能。基於這一思想，將免疫概念及其理論應用於遺傳演算法，在保留原演算法優良特性的前提下，力圖有選擇、有目的地利用待求問題中的一些特徵信息或知識來抑制其優化過程中出現的退化現象，這種演算法稱為免疫演算法(ImmuneAlgorithm)IA。下面將會給出演算法的具體步驟，證明其全局收斂性，提出免疫疫苗的選擇策略和免疫運算元的構造方法，理論分析和對TSP問題的模擬結果表明免疫演算法不僅是有效的而且也是可行的，並較好地解決了遺傳演算法中的退化問題。

❸ 免疫演算法的介紹

免疫演算法是一種具有生成+檢測 (generate and test)的迭代過程的搜索演算法。從理論上分析，迭代過程中，在保留上一代最佳個體的前提下，遺傳演算法是全局收斂的。

❹ 基本遺傳演算法介紹

遺傳演算法是群智能優化計算中應用最為廣泛、最為成功、最具代表性的智能優化方法。它是以達爾文的生物進化論和孟德爾的遺傳變異理論為基礎，模擬生物進化過程和機制，產生的一種群體導向隨機搜索技術和方法。

遺傳演算法的基本思想：首先根據待求解優化問題的目標函數構造一個適應度函數。然後，按照一定的規則生成經過基因編碼的初始群體，對群體進行評價、遺傳運算（交叉和變異）、選擇等操作。經過多次進化，獲得適應度最高的一個或幾個最優個體作為問題的最優解。

編碼是對問題的可行解的遺傳表示，是影響演算法執行效率的關鍵因素的之一。遺傳演算法中，一個解 稱為個體或染色體（chromosome），染色體由被稱為基因（gene）的離散單元組成，每個基因控制顏色體的一個或多個特性，通常採用固定長度的0-1二進制編碼，每個解對應一個唯一的二進制編碼串編碼空間中的二進制位串稱為基因型（genotype）。而實際所表示問題的解空間的對應點稱為表現型（phenotype）。

種群由個體構成，每個個體的染色體對應優化問題的一個初始解。

適應度函數是評價種群中個體對環境適應能力的唯一確定性指標，體現出「適者生存，優勝劣汰」這一自然選擇原則。

遺傳演算法在每次迭代過程中，在父代種群中採用某種選擇策略選擇出指定數目的哥特體提進行遺傳操作。最常用的選擇策略是正比選擇（proportional selection）策略。

在 交叉運算元中，通常由兩個被稱為父代（parent）的染色體組合，形成新的染色體，稱為子代（offspring）。父代是在種群中根據個體適應度進行選擇，因此適應度較高的染色體的基因更有可能被遺傳到下一代 。通過在迭代過程中不斷地應用交叉運算元，使優良個體的基因得以在種群中頻繁出現，最終使得整個種群收斂到一個最優解。

在染色體交叉之後產生的子代個體，其基因位可能以很小的概率發生轉變，這個過程稱為變異。變異是為了增強種群的多樣性，將搜索跳出局部最優解。

遺傳演算法的停止准則一般採用設定最大迭代次數或適應值函數評估次數，也可以是規定的搜索精度。

已Holland的基本GA為例介紹演算法等具體實現，具體的執行過程描述如下：

Step 1： 初始化 。隨機生成含有 個個體的初始種群 ，每個個體經過編碼對應著待求解優化問題的一個初始解。

Step 2： 計算適應值 。個體 ，由指定的適應度函數評價其適應環境的能力。不同的問題，適應度函數的構造方式也不同。對函數優化問題，通常取目標函數作為適應度函數。

Step 3： 選擇 。根據某種策略從當前種群中選擇出 個個體作為重新繁殖的下一代群體。選擇的依據通常是個體的適應度的高低，適應度高的個體相比適應度低的個體為下一代貢獻一個或多個後代的概率更大。選擇過程提現了達爾文「適者生存」原則。

Step 4： 遺傳操作 。在選出的 個個體中，以事件給定的雜交概率 任意選擇出兩個個體進行 交叉運算 ，產生兩個新的個體，重復此過程直到所有要求雜交的個體雜交完畢。根據預先設定的變異概率 在 個個體中選擇出若干個體，按一定的策略對選出的個體進行 變異運算 。

Step 5： 檢驗演算法等停止條件 。若滿足，則停止演算法的執行，將最優個體的染色體進行解碼得到所需要的最優解，否則轉到 Step 2 繼續進行迭代過程。

❺ 使用遺傳演算法和免疫演算法的優化結果是否有差別

遺傳演算法是一種智能計算方法，針對不同的實際問題可以設計不同的計算程序。它主要有復制，交叉，變異三部分完成，是仿照生物進化過程來進行計算方法的設計。 模糊數學是研究現實生活中一類模糊現象的數學。簡單地說就是像好與壞怎樣精確的描述，將好精確化，用數字來表達。 神經網路是一種仿生計算方法，仿照生物體中信息的傳遞過程來進行數學計算。 這三種知識都是近40年興起的新興學科，主要應用在智能模糊控制上面。這三者可以結合起來應用。如用模糊數學些遺傳演算法的程序，優化神經網路，最後用神經網路控制飛行器或其他物體

❻ 遺傳演算法

遺傳演算法是從代表問題可能潛在解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。每個個體實際上是染色體帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因的組合，它決定了個體形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼。初始種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解。在每一代，根據問題域中個體的適應度（fitness）大小挑選（selection）個體，並藉助於自然遺傳學的遺傳運算元（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群自然進化一樣的後生代種群比前代更加適應環境，末代種群中的最優個體經過編碼（decoding），可以作為問題近似最優解。

5.4.1 非線性優化與模型編碼

假定有一組未知參量

x_i（i=1，2，…，M）

構成模型向量m，它的非線性目標函數為Φ（m）。根據先驗知識，對每個未知量都有上下界α_i及b_i，即α_i≤x≤b_i，同時可用間隔d_i把它離散化，使

d_i=（b_i-α_i）/N （5.4.1）

於是，所有允許的模型m將被限制在集

x_i=α_i+jd_i（j=0，1，…，N） （5.4.2）

之內。

通常目標泛函（如經濟學中的成本函數）表示觀測函數與某種期望模型的失擬，因此非線性優化問題即為在上述限制的模型中求使Φ（m）極小的模型。對少數要求擬合最佳的問題，求目標函數的極大與失擬函數求極小是一致的。對於地球物理問題，通常要進行殺重離散化。首先，地球模型一般用連續函數表示，反演時要離散化為參數集才能用於計算。有時，也將未知函數展開成已知基函數的集，用其系數作為離散化的參數集x_i，第二次離散化的需要是因為每一個未知參數在其變化范圍內再次被離散化，以使離散模型空間最終包含著有限個非線性優化可選擇的模型，其個數為

地球物理數據處理教程

其中M為未知參數x_i的個數。由此式可見，K決定於每個參數離散化的間隔d_i及其變化范圍（α_i，b_i），在大多數情況下它們只能靠先驗知識來選擇。

一般而言，優化問題非線性化的程度越高，逐次線性化的方法越不穩定，而對蒙特卡洛法卻沒有影響，因為此法從有限模型空間中隨機地挑選新模型並計算其目標函數 Φ（m）。遺傳演算法與此不同的是同時計算一組模型（開始時是隨機地選擇的），然後把它進行二進制編碼，並通過繁殖、雜交和變異產生一組新模型進一步有限的模型空間搜索。編碼的方法可有多種，下面舉最簡單的例說明之，對於有符號的地球物理參數反演時的編碼方式一般要更復雜些。

假設地球為有三個水平層的層次模型，含層底界面深度h_j（j=1，2，3）及層速度v_j（j=1，2，3）這兩組參數。如某個模型的參數值為（十進制）：

h₁=6，h₂=18，h₃=28，單位為10m

v₁=6，v₂=18，v₃=28，單位為 hm/s

按正常的二進制編碼法它們可分別用以下字元串表示為：

地球物理數據處理教程

為了減少位元組，這種編碼方式改變了慣用的單位制，只是按精度要求（深度為10m，波速為hm/s）來規定參數的碼值，同時也意味著模型空間離散化間距d_i都規格化為一個單位（即10m，或hm/s）。當然，在此編碼的基礎上，還可以寫出多種新的編碼字元串。例如，三參數值的對應位元組順序重排，就可組成以下新的二進制碼串：

地球物理數據處理教程

模型參數的二進制編碼是一種數學上的抽象，通過編碼把具體的非線性問題和生物演化過程聯系了起來，因為這時形成的編碼字元串就相當於一組遺傳基因的密碼。不僅是二進制編碼，十進制編碼也可直接用於遺傳演算法。根據生物系統傳代過程的規律，這些基因信息將在繁殖中傳到下一帶，而下一代將按照「適者生存」的原則決定種屬的發展和消亡，而優化准則或目標函數就起到了決定「適者生存」的作用，即保留失擬較小的新模型，而放棄失擬大的模型。在傳帶過程中用編碼表示的基因部分地交合和變異，即字元串中的一些子串被保留，有的改變，以使傳代的過程向優化的目標演化。總的來說，遺傳演算法可分為三步：繁殖、雜交和變異。其具體實現過程見圖5.8。

圖5.8 遺傳演算法實現過程

5.4.2 遺傳演算法在地震反演中的應用

以地震走時反演為例，根據最小二乘准則使合成記錄與實測數據的擬合差取極小，目標函數可取為

地球物理數據處理教程

式中：T_i，0為觀測資料中提取出的地震走時；T_i，s為合成地震或射線追蹤算出的地震走時；ΔT為所有合成地震走時的平均值；N_A為合成地震數據的個數，它可以少於實測T_i，0的個數，因為在射線追蹤時有陰影區存在，不一定能算出合成數據T_j，0。利用射線追蹤計算走時的方法很多，參見上一章。對於少數幾個波速為常數的水平層，走時反演的參數編碼方法可參照上一節介紹的分別對深度和速度編碼方法，二進制碼的字元串位數1不會太大。要注意的是由深度定出的字元串符合數值由淺到深增大的規律，這一約束條件不應在雜交和傳代過程中破壞。這種不等式的約束（h₁＜h₂＜h₃…）在遺傳演算法中是容易實現的。

對於波場反演，較方便的做法是將地球介質作等間距的劃分。例如，將水平層狀介質細分為100個等厚度的水平層。在上地殼可假定波速小於6400 m/s（相當於解空間的硬約束），而波速空間距為100m/s，則可將波速用100m/s為單位，每層用6位二進制字元串表示波速，地層模型總共用600位二進制字元串表示（l=600）。初始模型可隨機地選取24～192個，然後通過繁殖雜交與變異。雜交概率在0.5～1.0之間，變異概率小於0.01。目標函數（即失擬方程）在頻率域可表示為

地球物理數據處理教程

式中：P₀（ω_k，v_j）為實測地震道的頻譜；ω_k為角頻率；v_j為第j層的波速；P_s（ω_k，v_j）為相應的合成地震道；A（ω_k）為地震儀及檢波器的頻率濾波器，例如，可取

A（ω）=sinC⁴（ω/ω_N） （5.4.6）

式中ω_N為Nyquist頻率，即ω_N=π/Δt，Δt為時間采樣率。參數C為振幅擬合因子，它起到合成與觀測記錄之間幅度上匹配的作用。C的計算常用地震道的包絡函數的平均比值。例如，設E［］為波動信號的包絡函數，可令

地球物理數據處理教程

式中：t_max為包絡極大值的對應時間；J為總層數。包絡函數可通過復數道的模擬取得。

用遺傳演算法作波速反演時失擬最小的模型將一直保存到迭代停止。什麼時候停止傳代還沒有理論上可計算的好辦法，一般要顯示解空間的搜索范圍及局部密度，以此來判斷是否可以停止傳代。值得指出的是，由（5.4.4）和（5.4.5）式給出的目標函數對於有誤差的數據是有問題的，反演的目標不是追求對有誤差數據的完美擬合，而是要求出准確而且解析度最高的解估計。

遺傳演算法在執行中可能出現兩類問題。其一稱為「早熟」問題，即在傳代之初就隨機地選中了比較好的模型，它在傳代中起主導作用，而使其後的計算因散不開而白白浪費。通常，增加Q值可以改善這種情況。另一類問題正相反，即傳相當多代後仍然找不到一個特別好的解估計，即可能有幾百個算出的目標函數值都大同小異。這時，最好修改目標函數的比例因子（即（5.4.5）式的分母），以使繁殖概率P_s的變化范圍加大。

對於高維地震模型的反演，由於參數太多，相應的模型字元串太長，目前用遺傳演算法作反演的計算成本還嫌太高。實際上，為了加快計算，不僅要改進反演技巧和傳代的控制技術，而且還要大幅度提高正演計算的速度，避免對遺傳演算法大量的計算花費在正演合成上。

❼ 我需要一個基於免疫遺傳演算法的matlab程序，關於函數尋優的，最好在附有講解

% 主程序
%遺傳演算法主程序
%Name:genmain.m
%author：楊冪

clear
clf
%%初始化
popsize=50; %群體大小
chromlength=30; %字元串長度（個體長度）
pc=0.6; %交叉概率
pm=0.1; %變異概率
pop=initpop(popsize,chromlength); %隨機產生初始群體
%%開始迭代
for i=1:20 %20為迭代次數
[objvalue]=calobjvalue(pop); %計算目標函數
fitvalue=calfitvalue(objvalue); %計算群體中每個個體的適應度
[newpop]=selection(pop,fitvalue); %復制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pm); %變異
[bestindivial,bestfit]=best(pop,fitvalue); %求出群體中適應值最大的個體及其適應值
y(i)=max(bestfit);%儲存最優個體適應值
n(i)=i;
pop5=bestindivial;%儲存最優個體
%解碼
x1(i)=decodechrom(pop5,1,chromlength/2)*2/32767;
x2(i)=10+decodechrom(pop5,chromlength/2+1,chromlength/2)*10/32767;
pop=newpop;%將新產生的種群作為當前種群
end
%%繪圖
figure(1)%最優點變化趨勢圖
i=1:20;
plot(y(i),'-r*')
xlabel('迭代次數');
ylabel('最優個體適應值');
title('最優點變化趨勢');
legend('最優點');
grid on

figure(2)%最優點分布圖
[X1,X2]=meshgrid(0:0.1:2,10:0.1:20);
Z=X1.^2+X2.^2;
mesh(X1,X2,Z);
xlabel('自變數x1'),ylabel('自變數x2'),zlabel('函數值f(x1,x2)');
hold on
plot3(x1,x2,y,'ro','MarkerEdgeColor','r','MarkerFaceColor','r','MarkerSize',5)
title('最優點分布');
legend('最優點');
hold off

[z index]=max(y); %計算最大值及其位置
x5=[x1(index),x2(index)]%計算最大值對應的x值
z

❽ 遺傳演算法是什麼

遺傳演算法（Genetic Algorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。
遺傳演算法(Genetic Algorithms簡稱GA)是由美國Michigan大學的John Holland教授於20世紀60年代末創建的。它來源於達爾文的進化論和孟德爾、摩根的遺傳學理論，通過模擬生物進化的機制來構造人工系統。遺傳演算法作為一種全局優化方法，提供了一種求解復雜系統優化問題的通用框架，它不依賴於問題的具體領域，對優化函數的要求很低並且對不同種類的問題具有很強的魯棒性，所以廣泛應用於計算機科學、工程技術和社會科學等領域。John Holland教授通過模擬生物進化過程設計了最初的遺傳演算法，我們稱之為標准遺傳演算法。
標准遺傳演算法流程如下：
1）初始化遺傳演算法的群體，包括初始種群的產生以及對個體的編碼。
2）計算種群中每個個體的適應度，個體的適應度反映了其優劣程度。
3）通過選擇操作選出一些個體，這些個體就是母代個體，用來繁殖子代。
4）選出的母代個體兩兩配對，按照一定的交叉概率來進行交叉，產生子代個體。
5）按照一定的變異概率，對產生的子代個體進行變異操作。
6）將完成交叉、變異操作的子代個體，替代種群中某些個體，達到更新種群的目的。
7）再次計算種群的適應度，找出當前的最優個體。
8）判斷是否滿足終止條件，不滿足則返回第3）步繼續迭代，滿足則退出迭代過程，第7）步中得到的當前最優個體，通過解碼，就作為本次演算法的近似最優解。

具體你可以到網路文庫去搜索遺傳演算法相關的論文，很多的。
你也可以參考網路里對遺傳演算法的介紹。

❾ 請問什麼是遺傳演算法，並給兩個例子

遺傳演算法(Genetic Algorithm, GA)是近幾年發展起來的一種嶄新的全局優化演算法，它借
用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現各個個體的適應性
的提高。這一點體現了自然界中"物競天擇、適者生存"進化過程。1962年Holland教授首次
提出了GA演算法的思想，從而吸引了大批的研究者，迅速推廣到優化、搜索、機器學習等方
面，並奠定了堅實的理論基礎。 用遺傳演算法解決問題時，首先要對待解決問題的模型結構
和參數進行編碼，一般用字元串表示，這個過程就將問題符號化、離散化了。也有在連續
空間定義的GA(Genetic Algorithm in Continuous Space, GACS)，暫不討論。

一個串列運算的遺傳演算法(Seguential Genetic Algoritm, SGA)按如下過程進行：

(1) 對待解決問題進行編碼；
(2) 隨機初始化群體X(0):=(x1, x2, … xn)；
(3) 對當前群體X(t)中每個個體xi計算其適應度F(xi)，適應度表示了該個體的性能好
壞；
(4) 應用選擇運算元產生中間代Xr(t)；
(5) 對Xr(t)應用其它的運算元，產生新一代群體X(t+1)，這些運算元的目的在於擴展有限
個體的覆蓋面，體現全局搜索的思想；
(6) t:=t+1；如果不滿足終止條件繼續(3)。
GA中最常用的運算元有如下幾種：
(1) 選擇運算元(selection/reproction): 選擇運算元從群體中按某一概率成對選擇個
體，某個體xi被選擇的概率Pi與其適應度值成正比。最通常的實現方法是輪盤賭(roulett
e wheel)模型。
(2) 交叉運算元(Crossover): 交叉運算元將被選中的兩個個體的基因鏈按概率pc進行交叉
，生成兩個新的個體，交叉位置是隨機的。其中Pc是一個系統參數。
(3) 變異運算元(Mutation): 變異運算元將新個體的基因鏈的各位按概率pm進行變異，對
二值基因鏈(0,1編碼)來說即是取反。
上述各種運算元的實現是多種多樣的，而且許多新的運算元正在不斷地提出，以改進GA的
某些性能。系統參數(個體數n,基因鏈長度l,交叉概率Pc,變異概率Pm等)對演算法的收斂速度
及結果有很大的影響，應視具體問題選取不同的值。
GA的程序設計應考慮到通用性，而且要有較強的適應新的運算元的能力。OOP中的類的繼
承為我們提供了這一可能。
定義兩個基本結構：基因(ALLELE)和個體(INDIVIDUAL)，以個體的集合作為群體類TP
opulation的數據成員，而TSGA類則由群體派生出來，定義GA的基本操作。對任一個應用實
例，可以在TSGA類上派生，並定義新的操作。

TPopulation類包含兩個重要過程：
FillFitness: 評價函數，對每個個體進行解碼(decode)並計算出其適應度值，具體操
作在用戶類中實現。
Statistic: 對當前群體進行統計，如求總適應度sumfitness、平均適應度average、最好
個體fmax、最壞個體fmin等。

TSGA類在TPopulation類的基礎上派生，以GA的系統參數為構造函數的參數，它有4個
重要的成員函數：
Select: 選擇運算元，基本的選擇策略採用輪盤賭模型（如圖2）。輪盤經任意旋轉停止
後指針所指向區域被選中，所以fi值大的被選中的概率就大。
Crossover: 交叉運算元，以概率Pc在兩基因鏈上的隨機位置交換子串。
Mutation: 變異運算元，以概率Pm對基因鏈上每一個基因進行隨機干擾(取反)。
Generate: 產生下代，包括了評價、統計、選擇、交叉、變異等全部過程，每運行一
次，產生新的一代。

SGA的結構及類定義如下(用C++編寫)：
[code] typedef char ALLELE; // 基因類型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 個體定義

class TPopulation{ // 群體類定義
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average;

INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;

TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Indivial(int i){ return pop[i];};
void FillFitness(); // 評價函數
virtual void Statistics(); // 統計函數
};

class TSGA : public TPopulation{ // TSGA類派生於群體類
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation

TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 產生新的一代
};
用戶GA類定義如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]

由於GA是一個概率過程，所以每次迭代的情況是不一樣的；系統參數不同，迭代情況
也不同。在實驗中參數一般選取如下：個體數n=50-200，變異概率Pm=0.03, 交叉概率Pc=
0.6。變異概率太大，會導致不穩定。

參考文獻
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine

Learning. Addison-Wesley, Reading, MA, 1989
● 陳根社、陳新海，"遺傳演算法的研究與進展"，《信息與控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"採用遺傳演算法自學習模型控制規則"，《自動化理論、技術與應
用》，中國自動化學會 第九屆青年學術年會論文集，1993, PP233-238
● 方建安、邵世煌，"採用遺傳演算法學習的神經網路控制器"，《控制與決策》，199
3,8(3), PP208-212
● 蘇素珍、土屋喜一，"使用遺傳演算法的迷宮學習"，《機器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993