遗传算法简介

㈠ 遗传算法原理简介

遗传算法（Genetic Algorithm, GA）是一种进化计算（Evolutionary Computing）算法，属于人工智能技术的一部分。遗传算法最早是由John Holland和他的学生发明并改进的，源于对达芬奇物种进化理论的模仿。在物种进化过程中，为了适应环境，好的基因得到保留，不好的基因被淘汰，这样经过很多代基因的变化，物种的基因就是当前自然环境下适应度最好的基因。该算法被广泛应用于优化和搜索中，用于寻求最优解（或最优解的近似），其最主要的步骤包括交叉（crossover）和突变（mutation）。

所有的生物体都由细胞组成，每个细胞中都包含了同样的染色体（chromosome）。染色体由一串DNA组成，我们可以简单地把一个生物个体表示为一条染色体。每条染色体上都包含着基因，而基因又是由多个DNA组成的。每个基因都控制着个体某个性状的表达，例如眼睛的颜色、眼皮的单双等。在物种繁衍的过程中，首先发生交叉，来自于父母的染色体经过分裂和重组，形成后代的染色体。之后，后代有一定概率发生基因突变，即染色体上某个位置处的基因以一定概率发生变化。之后，对每一代都重复进行交叉和突变两个步骤。对于每一个后代，我们可以通过一定的方式测量其适应度。适应度越好的个体，在下一次交叉中被选中的概率越大，它的基因越容易传给下一代。这样，后代的适应度就会越来越好，直到收敛到一个稳定值。

在优化问题中，可行解总是有很多个，我们希望寻找一个最优解，它相对于其他可行解来说具有更好的适应度（即目标函数值更大或更小）。每个可行解就是一个“生物个体”，可以表示为状态空间中的一个点和适应度。每个解都是一个经过编码的序列，已二进制编码为例，每个解都是一个二进制序列。这样每个染色体就是一个二进制序列。遗传算法从从一组可行解开始，称为population，从population中随机选择染色体进行交叉产生下一代。这一做法的基于下一代的适应度会好于上一代。遗传算法的过程如下：

终止条件可以是达到了最大迭代次数，或者是前后连续几代的最优染色体的适应度差值小于一个阈值。以上算法描述也许还不够直观，我们举例说明。假设解可以用二进制编码表示，则每个染色体都是一个二进制序列。假设序列长度为16，则每个染色体都是一个16位的二进制序列：

首先，我们随机生成一个population，假设population size为20，则有20个长度为16的二进制序列。计算每个染色体的适应度，然后选取两个染色体进行交叉，如下图所示。下图在第6为上将染色体断开再重组，断开的位置是可以随机选择的。当然，断裂位置也可以不止一个。可以根据具体问题选择具体的交叉方式来提升算法性能。

之后，随机选取后代染色体上某个基因发生基因突变，突变的位置是随机选取的。并且，基因突变并不是在每个后代上都会发生，只是有一定的概率。对于二进制编码，基因突变的方式是按位取反：

上述例子是关于二进制编码的，像求解一元函数在某个区间内的最大最小值就可以使用二进制编码。例如，求解函数f(x)=x+sin(3x)+cos(3x)在区间[0,6]内的最小值。假设我们需要最小值点x保留4位小数，那么求解区间被离散成60000个数。因为2 {15}<60000<2 {16}，所以，需要16位二进制数来表示这60000个可能的解。其中0x0000表示0，0x0001表示0.0001，以此类推。针对这个例子，文末给出了demo code．

然而，在排序问题中无法使用二进制编码，应该采用排列编码（permutation encoding）。例如有下面两个染色体：

交叉：随机选取一个交叉点，从该出将两个染色体断开。染色体A的前部分组成后代1的前部分，然后扫描染色体B，如果出现了后代1中不包含的基因，则将其顺序加入后代1中。同理，染色体B的前部分组成了后代2的前部分，扫描染色体A获得后代2的后部分。注意，交叉的方式多种多样，此处只是举出其中一种方式。

( 1 5 3 2 6 | 4 7 9 8) + ( 8 5 6 7 2 | 3 1 4 9) => ( 1 5 3 2 6 8 7 4 9) + ( 8 5 6 7 2 1 3 4 9)

突变：对于一个染色体，随机选中两个基因互换位置。例如第3个基因和倒数第2个基因互换：

(1 5 3 2 6 8 7 4 9) => (1 5 4 2 6 8 7 3 9)

此外还有值编码（value encoding）和树编码（tree encoding）等，具体例子可以参考这个链接： http://obitko.com/tutorials/genetic-algorithms/encoding.php

在实际的遗传算法中，往往会保留上一代中的少数几个精英（elite），即将上一代population中适应度最好的几个染色体加入到后代的poulation中，同时去除后代population中适应度最差的几个染色体。通过这个策略，如果在某次迭代中产生了最优解，则最优解能够一直保留到迭代结束。

用GA求函数最小值的demo code： https://github.com/JiaxYau/GA_test

参考资料 ：

[1] Introction to Genetic Algorithm, http://obitko.com/tutorials/genetic-algorithms/index.php

[2] Holland J H. Adaption in natural and artificial systems

㈡ 十进制遗传算法简介

8.2.1 反演优化问题

用遗传算法反演水文地质参数^{［38，61］}，首先要构造优化问题。设区域有m个观测值，则构造误差函数为：

含水层参数识别方法

其中：为实测值，h_i （p₁，p₂，…，p_n）为计算值。和h_i 具有相同的时间和坐标点，p₁，p₂，…，p_n 为参数，为书写方便记 P=[p₁，p₂，…，p_n]。

模型选定之后，通过改变参数使误差函数达到最小值。那么本问题就转化为约束条件下的优化问题（8-2）。

含水层参数识别方法

8.2.2 遗传算法步骤

可用遗传算法求解优化问题（8-2），具体步骤如下。

1）解的表示结构。用十进制浮点向量，表示优化问题的解。每个染色体由一个浮点向量表示，其长度和解向量相同。这里用（p₁，p₂，…，p_n）表示最优化问题（8-2）的解。相应的染色体为V=（p₁，p₂，…，p_n）。

2）初始化过程。定义整数Pop-Size作为染色体的个数，并且随机产生Pop-Size个初始染色体。从优化问题的约束条件可以看出，（p₁，p₂，…，p_n）的可行域是一个长方形，我们用随机的方法可以得到Pop-Size个初始可行的染色体。

检验（p₁，p₂，…，p_n）是否为可行染色体，如果是，就保留。如果不是就再产生一组可行染色体。直到产生Pop-Size个初始可行的染色体V₁，V₂，…，V_Pop-Size。

3）评价函数。评价函数（用eval（V）表示）用来对种群中的每个染色体V设定一个概率，以使该染色体被选择的可能性与其种群中其他染色体的适应性成比例。通过轮盘赌，适应性强的染色体被选择产生后代的机会大。在实际应用中我们采取如下方法确定评价函数。

设目前该代中的染色体为V₁，V₂，…，V_Pop-Size，可以根据染色体的序进行再分配，无论采用何种数学规划均可以将染色体由好到坏进行重排，就是说，一个染色体越好，其序号越小。设参数α∈（0，1）给定，定义于序的评价函数为：

含水层参数识别方法

i=1意味着染色体是最好的，i=Pop-Size说明是最差的。

4）选择过程。选择过程是以旋转赌轮Pop-Size次为基础的。每次旋转都为新的种群选择一个染色体。赌轮是按每个染色体的适应度进行选择染色体的。其过程如下。

A.对每个染色体V_i，计算累积概率q_i

含水层参数识别方法

B.从区间（0，q_Pop-Size）中产生一个随机数r。

C.若q_i-1＜r≤q_i，则选择第i个染色体V_i（1≤i≤Pop-Size）。

D.重复步骤②和步骤③共Pop-Size次，这样可以得到Pop-Size个复制的染色体。上述过程并没有要求满足条件q_Pop-Size=1。实际上，可以用q_Pop-Size除以所有的q_i，使q_Pop-Size=1，新得到的概率同样与适应度成比例。

5）交叉操作。设P_c为交叉操作的概率，这个概率说明种群中有期望值为P_c·Pop

-Size个染色体进行交叉操作。为确定交叉操作的父代，从i=1到Pop-Size重复以下过程：从［0，1］中产生随机数r，如果r＜P_c，则选择V_i作为一个父代。

用V′₁，V′₂，V′₃，…表示上面选择的父代，并把他们随机分为交叉对。

（V′₁，V′₂），（V′₃，V′₄），（V′₅，V′₆），…

现仅以第一对为例说明交叉操作的过程，从（0，1）区间产生一个随机数c，然后按下式进行交叉操作，并产生两个后代X和Y

X=cV′₁+（1-c）V′₂，Y=（1-c）V′₁+cV′₂

检验新产生的后代是否为可行解，如果可行，用它们代替父代；否则，保留其中可行的。然后，产生新的随机数c，重新进行交叉操作，直到得到两个可行的后代为止。

6）变异操作。设参数P_m为遗传操作中的变异概率，为确定变异操作的父代，从i=1到Pop-Size重复以下过程：从［0，1］中产生随机数r，如果r＜P_m，则选择V_i作为一个变异父代。先选择一个变异方向D，M为一个随机数，则可以用下式：

X=V+M·D

为新后代，检验X是否为可行解。如不可行，改变随机数M或变异方向D直到X为可行解为止。

另一种产生变异的操作是在可行域中另外产生一个染色体，或染色体中的一个元素。

7）遗传算法的一般过程。遗传算法的一般过程可归纳如下：

输入参数Pop-Size，P_c，P_m；

通过初始化过程产生Pop-Size个染色体；

重复

根据某抽样机制选择染色体；

对染色体进行交叉和变异操作；

计算所有染色体的评价函数；

满足终止条件时终止，否则重复以上三个过程。

㈢ 能通俗的介绍一下什么是遗传算法吗

遗传算法(Genetic Algorithms or GAs)是基于自然选择和自然遗传机制的搜索算法，它是一种有效的解决最优化问题的方法。遗传算法最早是由美国Michigan大学的John Holland和他的同事及学生提出的。类似于自然界演化的基本法则，“适者生存”是遗传算法的核心机制，同样，“复制（reproce）”、“杂交(crossover)”、“变异(mutation)”等自然界的生物演化规则在遗传算法中都得到类似的体现。

用遗传算法解最优化问题，首先应对可行域中的个体进行编码，然后在可行域中随机挑选指定群体大小的一些个体组成作为进化起点的第一代群体，并计算每个个体的目标函数值，即该个体的适应度。接着就像自然界中一样，利用选择机制从群体中随机挑选个体作为繁殖过程前的个体样本。选择机制保证适应度较高的个体能够保留较多的样本；而适应度较低的个体则保留较少的样本，甚至被淘汰。在接下去的繁殖过程中，遗传算法提供了交叉和变异两种算法对挑选后的样本进行交换和基因突变。交叉算法交换随机挑选的两个个体的某些位，变异算子则直接对一个个体中的随机挑选的某一位进行突变。这样通过选择和繁殖就产生了下一代群体。重复上述选择和繁殖过程，直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。

与其他算法相比，遗传算法主要有以下四个方面的不同： 遗传算法所面向的对象是参数集的编码,而不是参数集本身； 遗传算法的搜索是基于若干个点，而不是基于一个点； 遗传算法利用目标函数的信息，而不是导数或者其他辅助信息； 遗传算法的转化规则是概率性的，而不是确定性的。

㈣ 遗传算法原理与应用实例的介绍

《遗传算法原理与应用实例》主要结合应用实例系统讨论、介绍遗传算法原理及其应用，主要内容包括：遗传算法的基本原理和数学机理、解决连续问题优化的遗传算法和分布式遗传算法、遗传算法的实现技术、遗传算法应用实例，并给出了两个典型的遗传算法源程序。《遗传算法原理与应用实例》在详细介绍遗传算法理论与方法的同时，还给_出了基于遗传算法的费托合成反应动力学模型参数优化的详细设计应用。

㈤ 遗传算法的迭代次数是怎么确定的，与什么有关

1. 遗传算法简介

遗传算法是用于解决最优化问题的一种搜索算法，算法的整体思路是建立在达尔文生物进化论“优胜劣汰”规律的基础上。它将生物学中的基因编码、染色体交叉、基因变异以及自然选择等概念引入最优化问题的求解过程中，通过不断的“种群进化”，最终得到问题的最优解。

2. 遗传算法实现步骤

在讲下面几个基于生物学提出的概念之前，首先我们需要理解为什么需要在最优化问题的求解中引入生物学中的各种概念。

假设我们需要求一个函数的最大值，但这个函数异常复杂以至于无法套用一般化的公式，那么就会想到：如果可以将所有可能的解代入方程，那么函数最大值所对应的那个解就是问题的最优解。但是，对于较复杂的函数来说，其可能的解的个数的数量级是我们所无法想象的。因此，我们只好退而求其次，只代入部分解并在其中找到最优解。那么这样做的核心就在于如何设定算法确定部分解并去逼近函数的最优解或者较好的局部最优解。

遗传算法就是为了解决上述问题而诞生的。假设函数值所对应的所有解是一个容量超级大的种群，而种群中的个体就是一个个解，接下去遗传算法的工作就是让这个种群中的部分个体去不断繁衍，在繁衍的过程中一方面会发生染色体交叉而产生新的个体。另一方面，基因变异也会有概率会发生并产生新的个体。接下去，只需要通过自然选择的方式，淘汰质量差的个体，保留质量好的个体，并且让这个繁衍的过程持续下去，那么最后就有可能进化出最优或者较优的个体。这么看来原来最优化问题居然和遗传变异是相通的，而且大自然早已掌握了这样的机制，这着实令人兴奋。为了将这种机制引入最优化问题并利用计算机求解，我们需要将上述提到的生物学概念转化为计算机能够理解的算法机制。

下面介绍在计算机中这种遗传变异的机制是如何实现的：

基因编码与解码：

在生物学中，交叉与变异能够实现是得益于染色体上的基因，可以想象每个个体都是一串超级长的基因编码，当两个个体发生交叉时，两条基因编码就会发生交换，产生的新基因同时包含父亲和母亲的基因编码。在交叉过程中或者完成后，某些基因点位又会因为各种因素发生突变，由此产生新的基因编码。当然，发生交叉和变异之后的个体并不一定优于原个体，但这给了进化（产生更加优秀的个体）发生的可能。

因此，为了在计算机里实现交叉和变异，就需要对十进制的解进行编码。对于计算机来说其最底层的语言是由二进制0、1构成的，而0、1就能够被用来表示每个基因点位，大量的0、1就能够表示一串基因编码，因此我们可以用二进制对十进制数进行编码，即将十进制的数映射到二进制上。但是我们并不关心如何将十进制转换为二进制的数，因为计算机可以随机生成大量的二进制串，我们只需要将办法将二进制转化为十进制就可以了。

二进制转换为十进制实现方式：

假设，我们需要将二进制映射到以下范围：

首先，将二进制串展开并通过计算式转化为[0,1]范围内的数字：

将[0,1]范围内的数字映射到我们所需要的区间内：

交叉与变异：

在能够用二进制串表示十进制数的基础上，我们需要将交叉与变异引入算法中。假设我们已经获得两条二进制串（基因编码），一条作为父亲，一条作为母亲，那么交叉指的就是用父方一半的二进制编码与母方一半的二进制编码组合成为一条新的二进制串（即新的基因）。变异则指的是在交叉完成产生子代的过程中，二进制串上某个数字发生了变异，由此产生新的二进制串。当然，交叉与变异并不是必然发生的，其需要满足一定的概率条件。一般来说，交叉发生的概率较大，变异发生的概率较小。交叉是为了让算法朝着收敛的方向发展，而变异则是为了让算法有几率跳出某种局部最优解。

自然选择：

在成功将基因编码和解码以及交叉与变异引入算法后，我们已经实现了让算法自动产生部分解并优化的机制。接下去，我们需要解决如何在算法中实现自然选择并将优秀的个体保留下来进而进化出更优秀的个体。

首先我们需要确定个体是否优秀，考虑先将其二进制串转化为十进制数并代入最初定义的目标函数中，将函数值定义为适应度。在这里，假设我们要求的是最大值，则定义函数值越大，则其适应度越大。那是否在每一轮迭代过程中只需要按照适应度对个体进行排序并选出更加优秀的个体就可以了呢？事实上，自然选择的过程中存在一个现象，并没有说优秀的个体一定会被保留，而差劲的个体就一定被会被淘汰。自然选择是一个概率事件，越适应环境则生存下去的概率越高，反之越低。为了遵循这样的思想，我们可以根据之前定义的适应度的大小给定每个个体一定的生存概率，其适应度越高，则在筛选时被保留下来的概率也越高，反之越低。

那么问题就来了，如何定义这种生存概率，一般来说，我们可以将个体适应度与全部个体适应度之和的比率作为生存概率。但我们在定义适应度时使用函数值进行定义的，但函数值是有可能为负的，但概率不能为负。因此，我们需要对函数值进行正数化处理，其处理方式如下：

定义适应度函数：

定义生存概率函数：

注：最后一项之所以加上0.0001是因为不能让某个个体的生存概率变为0，这不符合自然选择中包含的概率思想。

3. 遗传算例

在这里以一个比较简单的函数为例，可以直接判断出函数的最小值为0，最优解为(0，0)

若利用遗传算法进行求解,设定交叉概率为0.8，变异概率为0.005，种群内个体数为2000，十进制数基因编码长度为24，迭代次数为500次。

从遗传算法收敛的动态图中可以发现，遗传算法现实生成了大量的解，并对这些解进行试错，最终收敛到最大值，可以发现遗传算法的结果大致上与最优解无异，结果图如下：

4. 遗传算法优缺点

优点：

1、 通过变异机制避免算法陷入局部最优，搜索能力强

2、 引入自然选择中的概率思想，个体的选择具有随机性

3、 可拓展性强，易于与其他算法进行结合使用

缺点：

1、 遗传算法编程较为复杂，涉及到基因编码与解码

2、 算法内包含的交叉率、变异率等参数的设定需要依靠经验确定

3、 对于初始种群的优劣依赖性较强

㈥ 遗传算法的适度函数是什么意思举个例说明下最好通俗

适应度用于评价个体的优劣程度,适应度越大个体越好,反之适应度越小则个体越差；根据适应度的大小对个体进行选择,以保证适应性能好的个体有更多的机会繁殖后代,使优良特性得以遗传.因此,遗传算法要求适应度函数值必须是非负数,而在许多实际问题中,求解的目标通常是费用最小,而不是效益最大,因此需要将求最小的目标根据适应度函数非负原则转换为求最大目标的形式。
----------------
如何通俗易懂地解释遗传算法？有什么例子？
遗传算法，核心是达尔文优胜劣汰适者生存的进化理论的思想。

我们都知道一个种群，通过长时间的繁衍，种群的基因会向着更适应环境的趋势进化，牛B个体的基因被保留，后代越来越多，适应能力低个体的基因被淘汰，后代越来越少。经过几代的繁衍进化，留下来的少数个体，就是相对能力最强的个体了。

那么在解决一些问题的时候，我们能不能学习这样的思想，比如先随机创造很多很多的解，然后找一个靠谱的评价体系，去筛选比较好的解，再用这些好的解像生小宝宝一样生一堆可能更好的解，然后再筛再生，反复弄个几代，得到的说不定就是近似最优解哟

说干就干，有一个经典组合问题叫“背包问题”，我们拿这种思路来试试

“背包问题（Knapsack problem）是一种组合优化的NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。”

这个问题的衍生简化问题“0-1背包问题” 增加了限制条件：每件物品只有一件，可以选择放或者不放，更适合我们来举例

这样的问题如果数量少，当然最好选择穷举法
比如一共3件商品，用0表示不取，1表示取，那么就一共有
000 001 010
011 100 101
110 111
这样8种方案，然后让计算机去累加和，与重量上限比较，留下来的解里取最大即可。

但如果商品数有300,3000,甚至3w种呢，计算量太大穷举法可能就不适用了，这时如果遗传算法使用得当，就能在较短的时间内帮我们找到近似的最优解，我们继续往下看：

新的问题是12件商品的0-1背包问题

我们先让计算机随机产生1000个12位的二级制数

把总重量超过背包上限的解筛掉

剩下的两两一对随机交换“基因片段”产生下一代
交换前：
0000 1100 1101
0011 0101 0101
交换后：
0000 0101 1101
0011 1100 0101

再筛选，再交配，如此反复几代，留下的解携带的“基因“差不多就是最好的了，怎么样跟生物进化是不是一模一样？
其实还差点，生物繁殖过程中，新产生的基因是有一定几率突变的，这是很多优良性状的重要来源，遗传算法中可也不能忽略它

比如：
变异前：
000101100101
变异后：
000101110101

那也有人得疑惑了，我怎么知道要让哪个地方产生突变呢？其实蜘蛛侠NB之前，他也不知道蜘蛛咬在那能让他变NB而不是SB，这就是一个概率问题。我们在设计算法的时候，会给每个基因设置一个突变概率（当然是非常非常小了）同样的在基因交换阶段交换哪些基因呢，也是一个算法设置问题。

总结一下，遗传算法应该有
一个基本函数：适度函数f(x)
三个基本操作：选择，交叉，变异

一.适度函数
适度函数很好理解，其实就是指解的筛选标准，比如我刚才说的把所有超过上限重量的解筛选掉，但是不是有更好的筛选标准或者这个现有的标准根本就是个渣呢？这将直接影响最后结果的接近程度以及求解所耗费的时间，所以设置一个好的适度函数很重要

二.选择
刚才为了大家理解方便，我直接让所有解都参与了后续的交叉以及变异，但真实世界可不是这样子的，因为也不是每个人都会结婚生子的对吧。
说直白点，所谓【屌丝注孤生】【工科男注孤生】什么的还不是因为loser的基因不适合往下传呗。不过实际情况是我们偶尔也能看到或听到屌丝逆袭、鲜花牛粪之类励志故事，只不过频率比较低咯

没错，概率！在遗传算法中选择也是个概率问题，在解的世界中（姑且这么称呼吧）适度更高的高富帅们是不是应该有更高的概率被选去传宗接代才合适呢？不过和现实世界一样，适度低的屌丝解是要给人家一点希望的对不对？所以

在选择一些解来产生下一代时，一种常用的选择策略是 “比例选择”，也就是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + …….. + f(Xn) )

三.交叉
这是例子中详细说到的，交换两个解的部分”基因”，来构造两个子代的解。

四.变异
在繁殖子代的过程中，新产生的解中的“基因”会以一定的概率出错，称为变异。我们可以吧变异发生的概率设置为Pm

五.基本遗传算法优化
精英主义：这是基本遗传算法的一种优化。目的是防止进化过程中产生的最优解被变异和交叉所破坏。《遗传算法原理及应用》介绍的最优保存策略是：即当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传操作后所产生的适应度最低的个体。

后记：
其实不管是遗传算法，还是模拟退火算法或者其他算法，其本质都是借鉴自然界中的规则规律，人为的为问题设置了一个模拟模型，然后用大自然告诉我们的规律去找最优解，在理解这些算法的时候，可以照着这个思路去走，一般能让你快速拨云见日，了解算法的核心思想。
比如遗传算法，我们可以对比种群的进化，给问题设置的模型就是：
这样参照着我们熟悉的知识体系，去理解学习，原来听上去遥不可及的理论是不是一下就变得亲切易懂了吧？

可是我们再看一些教科书或者就拿网络来说（怕也是摘抄的某本书上的段落）
真的是通篇不说人话啊！对已经了解这个算法思想的人来说，还能勉强硬着头皮看下去，但对入门者来说，这TMD简直就是噩梦！而这完全是国内各种教材的通病！

我其实一直在想，教材面向的明明就是望门欲入的初学者，你不弄得生动活泼一点招徕门徒就算了，在一群幼儿园小朋友面前卖弄之乎者也还显本事了是么！我是还记得我们学校的高数书编的有多么生涩难懂，结果第一节课老教授上课时还说“我们不用同济的版本，那本书太浅，不适合我们学校的学生” 可是在我和大多数同学看来，同济版本的高数倒更像是为了要入门的同学编写的教材，自己学校编的那本却更像是给同行评阅炫耀作者深度的大部头。

知识明明可以讲的更有趣，让人愿意入其门来探个究竟。

作者：弹弹弹球

㈦ 遗传算法及其应用的内容简介

本书系统全面地介绍了遗传算法的基本原理、设计方法及其并行实现，以及它在组合优化、机器学习、图像处理、过程控制、进化神经网络、模糊模式识别和人工生命等方面的应用。
本书可作为高等院校计算机、无线电电子学、自动控制、生物医学工程等有关专业高年级学生或研究生的教材和参考书，也可供从事人工智能、信息处理研究和应用的科技人员学习参考。

㈧ 高分寻达人分别介绍下遗传算法和演化算法，以及之间的联系和区别

根据阅读的资料，大概有以下判断：
遗传算法是演化算法中的一种。

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显着特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。

遗传算法是基于生物学的，理解或编程都不太难。下面是遗传算法的一般算法：
创建一个随机的初始状态

初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。

评估适应度

对每一个解(染色体)指定一个适应度的值，根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。不要把这些“解”与问题的“答案”混为一谈，可以把它理解成为要得到答案，系统可能需要利用的那些特性。

繁殖(包括子代突变)

带有较高适应度值的那些染色体更可能产生后代(后代产生后也将发生突变)。后代是父母的产物，他们由来自父母的基因结合而成，这个过程被称为“杂交”。

下一代

如果新的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为止。

并行计算

非常容易将遗传算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。
http://ke..com/view/45853.html

演化算法：
这部分的研究主要是提供具有演化特征的算法，已知的遗传算法是其中之一。许多新的算法正在研究中。由于遗传算法的整体搜索策略和优化计算时不依赖于梯度信息，所以它的应用非常广泛，尤其适合于处理传统搜索方法难以解决的高度复杂的非线性问题。人工生命研究的重要内容就是进化现象，遗传算法是研究进化现象的重要方法之一
我国学者接触这个领域较晚，目前尚未形成声势和有规模的研究队伍。1997年夏天，在中科院基础局、国家科委基础司及中国国际经济及技术交流中心的支持下，由中科院系统科学所和自动化研究所举办了第一次人工生命及进化机器人研讨会[20]。与会者约60人。除去邀请了五位国际知名学者的学术报告之外，国内也有数名学者介绍了相关的研究成果。主要在数字生命、复杂巨系统方面进行了一些研究。据目前了解到的情况，国内尚有一些人在研究演化算法，在人工智能的一本书上有一段介绍人工生命。但对人工社会、人工生态环境及进化机器人等尚无人问津。
http://blog.ustc.e.cn/chujx/archives/000925.html