隨著經濟社會的迅猛發展, 人類科學研究與生產活動的廣度與深度都大大拓展了，其中涌現出的大量具有各種非線性、不確定、不能精確解析以及建模機理復雜的新課題對信息與控制科學提出了前所未有的挑戰。正是在這種背景下, 各種智能信息處理算法如雨后春筍般涌現出來。作為智能信息處理算法中的重要一員, 遺傳算法近年來以其獨特而卓越的性能引起了人們的廣泛關注。

對于以往難以解決的函數優化問題,復雜的多目標規劃問題，工農業生產中的配管、配線問題，以及機器學習，圖象識別，人工神經網絡的權系數調整，模糊規則的優化和網絡構造等諸多問題，GA遺傳算法以其出色的表現，已成為人們最常用也最有效的方法之一。

雖然GA在許多優化問題中都有成功的應用，但其本身也存在一些不足，主要有：局部搜索能力弱、存在早熟成熟現象、收斂于局部最優解、隨機漫游或振蕩等現象，從而影響算法的收斂性能，降低了遺傳算法的可信度。如何改善遺傳算法的搜索能力和提高算法的收斂速度，使其更好地解決實際問題,是各國學者一直努力探索的一個主要課題。縱觀成百上千的對遺傳算法進行改進研究文獻，其主要改進措施多集中在以下幾個方面：

對遺傳算法本身缺點的改進

對遺傳算法本身單一缺點的改進

種群 人們主要關心的是種群中個體分布的多樣性，這決定著運行遺傳算法的效率，與種群相關的因素有種群個數，種群大小及初始種群三方面。

種群個數 采用多個子種群并行搜索思想，有效避免了欺騙問題，提高了算法成功的概率。典型應用就是小生境技術，種群由M個子種群組成，每個子種群獨立進化，種群間通過種群遷移∕移民等機制完成個體信息的交換。借鑒子種群并行的思想，發展出了思維進化計算，文獻【】和量子衍生遺傳算法或量子衍生進化計算，文獻【】【】。

種群大小 大致有固定種群和動態種群兩種。

初始種群 對于初始種群的生成主要是改變了以往單靠隨機生成的缺點，引進了解空間格點化法或數論中均勻設計法，使產生的點集能均勻地分布于解空間。當然采用隨機與均勻混合生成的初始種群，可以包含更豐富的解空間模式。文獻【】,給出了用點的低序列差均勻生成初始種群的方法。(當然這些方法

編碼 經典的標準遺傳算法( SGA )中，Holland運用模式定理分析編碼機制時,建議采用二進制編碼，其優點是簡易穩定，但二進制編碼具有不能直接反映問題的固有結構，解碼復雜，精度不高，個體長度太長，占用計算機內存多和空間效率不高的缺點。它早已不能適應人們處理問題多樣化的事實。

針對上述缺陷, 人們采用Gray編碼和動態編碼等方法成功地減少了編碼的尺寸和復雜度，提高了局部搜索性能和速度。文獻【】，給出了采用了性別編碼，檢測仿真表明其性能優于二進制和格雷碼；采用染色體隱式解碼算法，使得解碼速度提高了6~50倍[9]；采用實數或浮點數的矩陣形式或復數形式的編碼方法，實現了無需解碼可直接在解的表現型上進行遺傳操作，反映了問題的固有結構，便于引入與問題領域相關的啟發式信息，易于與其他傳統優化方法融合，增加了算法的可操作性和搜索能力；采用有序串編碼方法巧妙地解決了組合優化問題；采用結構式編碼方法有效地處理了由樹和圖表示得問題。

進入21世紀，隨著各跨學科領域知識及遺傳算法的廣泛應用，遺傳算法編碼出現了跨學科集成與應用的趨勢。目前備受國內學者關注的有兩種，一種是DNA和RNA編碼，另一種是量子編碼，對于這兩種集成算法，下文將會詳細介紹。另外，最近Jaehun Lee[11]等針對貝葉斯學習網絡創造性地提出了染色體矩陣編碼方法。通過將染色體編碼為兩個三角陣從而將遺傳算法與貝葉斯網絡恰當結合, 實現了兩種算法的集成和應用。這也預示著編碼的研究不在局限于編碼方式和編碼符號的研究，而是發展到了研究編碼的組織形式(位串或矩陣等)與實際問題或傳統解決方法巧妙結合。

適應度函數 通過它由目標函數值計算個體適應值，是選擇父輩個體操作的依據，影響著遺傳群體的走向，好的適應度函數可以有效避免欺騙問題的發生。所謂欺騙問題在數學上的表現為：

設n個個體的適應度函數值，記

若，且，則

若，且，則

用上述兩種分布情況下的適應度函數值指導選擇操作將會極大損失種群多樣性，所以適應度函數的設計是遺傳算法設計的關鍵環節之一射到，并通過計算sin,cos,tan或ctan的三角Stdev，巧妙地將輪盤選擇和錦標賽選擇結合起來，使選擇機制具有了自適應性。

然這些單一基于適應度值的選擇方法，很容易引起種群的兩極分化：①種群超級個體很快占據主導地位，出現早熟現象②種群個體適應度彼此非常接近時，搜索過程趨于純粹的隨機，在最優解附近振蕩，難以獲得高精度全局最優解。

為了有效避免上述缺點，在小生境技術中，可以采用①1970年，Cavichio提出了預選擇機制；②1975年，De Jong引入排擠因子，提出了排

總結

以上是生活随笔為你收集整理的遗传算法占用计算机空间,遗传算法综述摘要.doc的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。