遗传算法(Genetic Algorithm,GA)是20世纪70年代初兴起的一门新兴学科。遗传算法的基本思想来源于达尔文的进化论和孟德尔的遗传学说,它通过模拟生物进化的过程来求解问题。生物中的基因对应优化问题中的变量组合,一个解则代表了一个个体。通过生物基因的交叉与变异来改变种群的性状(函数值)。通过进化过程中优胜劣汰的原则挑选出优秀的个体(函数值大或小),最终通过迭代的方式模拟生物的进化,得到一个适合生存于特定环境的种群,以此来求解出优化问题的全局最优解。
遗传算法已经发展得很成熟,广泛应用于优化问题的求解。
①遗传算法只对个体的基因进行操作,所以无论实际问题多么复杂,其稳定性都不会受到太大的影响。
②遗传算法的搜索过程属于并行计算,能够很好地搜索解空间。
③稳定性、鲁棒性强,适用于非线性、高维复杂优化问题。
其流程如下:
初始化种群相当于确定原始解的位置,交叉是利用亲代信息来生成下一代个体,变异是基因的变异,并以此来丰富基因匹配的种类,适应度即构造的函数所对应的函数值,自然选择是根据特定的规律选择进入下一代的个体。 其涉及到的算法参数有:
种群数量ÿ