论文部分内容阅读
摘 要： 遗传算法（Genetic Algorithms，简称GA）是人工智能的重要新分支，是基于达尔文进化论，在计算机上模拟生命进化机制而发展起来的一门新学科。它根据适者生存、优胜劣汰等自然进化机制来进行搜索计算和问题求解。本文主要介绍遗传算法的原理，包括其定义及其实现步骤，以及遗传算法的研究现状和未来发展趋势。
关键词： 遗传算法;研究现状;发展
1. 引言
遗传算法在上世纪70年代由美国J.H.Holland博士提出的时候，并没有引起学术界的关注，因而发展比较缓慢。从20世纪80年代中期开始，随着人工智能的发展和计算机技术的进步，遗传算法逐渐成熟，应用日渐增多，不仅应用于人工智能领域（如机器学习和神经网络），也开始在工业系统中得到成功应用，显示出了诱人的前景[1]。
2. 遗传算法简介
遗传算法仿照自然进化过程来实现对最优解的进行寻找的方法，它应用了达尔文进化论中的选择与变异的原理。先进行定向的选择，再进行不定向的变异，根据能体现目标的适应度函数，来体现每一代个体的适应度，从而进行选择操作，然后再进行遗传迭代，产生带有新的基因组合的个体。
2.1遗传算法的步骤
1） 将决策变量进行编码
2） 设定适应度函数
3） 获得初始种群
4） 迭代计算
5）得到理想解
遗传算法的过程，其实就是一种类似生物学中生物进化的过程，在遗传算法中的每一代，根据问题域中个体适应度大小挑选个体，并借助遗传算子进行组合交叉和主客观变异，进化出代表新的解集的种群。这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解[2]。
2.2遗传算法的特点
通过了解遗传算法的基本步骤，我们可以总结出遗传算法的几个特点：
1.遗传算法以参数的编码集作为运算对象，并且在执行搜索過程中，不受优化函数连续性及其导数求解的限制，因而具有很强的通用性。
2.遗传算法直接使用由目标函数确定的适应度函数信息，以群体为单位执行搜索过程，加快搜索到适应度较好的搜索空间，因而具有较强的全局搜索能力。
3.遗传算法简单通用，普适性强，易于与其他算法结合构成混合智能算法，并且该算法具有很强的鲁棒性，因而在众多领域得到了广泛的应用。
3. 遗传算法的研究现状
3.1遗传算法的应用
遗传算法具有很强的全局搜索能力，通用性强，鲁棒性高，因而被广泛应用于很多领域，下面简要介绍一些主要的应用领域：
（1）函数优化
（2）调度问题
（3）图像处理
（4）自动控制领域
（5）机器学习
（6）社会与经济领域
（7）人工智能与科学计算
3.2遗传算法的改进
为了克服遗传算法容易出现的早熟现象和局部收敛等问题，对遗传算法中种群初始化以及选择、交叉和变异等遗传操作的改进，始终是遗传算法研究的热门课题。秦广军提出了基于多种群的改进方法。王璇将遗传算法与粒子群算法和人工免疫算法相结合形成混合遗传算法。黄江波等在算法中设计了自适应的交叉概率和变异概率函数。这些都是遗传算法的改进策略，并收到了良好的效果[3][4]。
4、遗传算法的未来发展趋势
结合以上对比分析可知，遗传算法的研究已经从理论方面逐渐转向应用领域;机器人学及图像处理也在逐渐成为研究的热点。
多智能体进化，免疫进化计算、粒子群遗传算法是这几年研究比较多的题目，对传统遗传算子的改进也是讨论比较多的话题。随着应用的不断深入，协同进化算法是在进化算法的基础上，通过考虑种群与环境之间、种群与种群之间在进化过程中的协调关系提出的一类新的进化算法，目前遗传算法已经成为当前进化计算的一个热点问题[5]。
5、结束语
从某种角度来说，遗传算法的研究是从进化生物科学的角度建立起来的，现如今，遗传算法通过理论已经证明，问题的最优解可以通过概率手段以随机的方式最终求得。因此，调度问题与分配问题将会是遗传算法未来主要的的研究方向。
参考文献
[1] 水勇.遗传算法的研究与应用[J].软件，2014，35（3）：107.
[2] 李国煌.遗传算法的改进及其应用[J].华北电力大学硕士论文，2016，03.
[3] 崔姗姗.遗传算法的一些改进及其应用[J].中国科学技术大学硕士论文，2010，05.
[4] DEBREUVE E，GASTAUD M，BARLAUD M，et al. Using the shape gradient for active contour segmentation： from the continuous to the discrete formulation[J]. Mathematical Imaging and Vision，2007，28（ 1） ： 47-66.
[5] Sridevi T.， Fatima S.S. Digital image watermarking using genetic algorithm in DWT and SVD transform [J]. Computational Intelligence and Information Technology， 2013， Page（s）：485-490.
关键词： 遗传算法;研究现状;发展
1. 引言
遗传算法在上世纪70年代由美国J.H.Holland博士提出的时候，并没有引起学术界的关注，因而发展比较缓慢。从20世纪80年代中期开始，随着人工智能的发展和计算机技术的进步，遗传算法逐渐成熟，应用日渐增多，不仅应用于人工智能领域（如机器学习和神经网络），也开始在工业系统中得到成功应用，显示出了诱人的前景[1]。
2. 遗传算法简介
遗传算法仿照自然进化过程来实现对最优解的进行寻找的方法，它应用了达尔文进化论中的选择与变异的原理。先进行定向的选择，再进行不定向的变异，根据能体现目标的适应度函数，来体现每一代个体的适应度，从而进行选择操作，然后再进行遗传迭代，产生带有新的基因组合的个体。
2.1遗传算法的步骤
1） 将决策变量进行编码
2） 设定适应度函数
3） 获得初始种群
4） 迭代计算
5）得到理想解
遗传算法的过程，其实就是一种类似生物学中生物进化的过程，在遗传算法中的每一代，根据问题域中个体适应度大小挑选个体，并借助遗传算子进行组合交叉和主客观变异，进化出代表新的解集的种群。这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解[2]。
2.2遗传算法的特点
通过了解遗传算法的基本步骤，我们可以总结出遗传算法的几个特点：
1.遗传算法以参数的编码集作为运算对象，并且在执行搜索過程中，不受优化函数连续性及其导数求解的限制，因而具有很强的通用性。
2.遗传算法直接使用由目标函数确定的适应度函数信息，以群体为单位执行搜索过程，加快搜索到适应度较好的搜索空间，因而具有较强的全局搜索能力。
3.遗传算法简单通用，普适性强，易于与其他算法结合构成混合智能算法，并且该算法具有很强的鲁棒性，因而在众多领域得到了广泛的应用。
3. 遗传算法的研究现状
3.1遗传算法的应用
遗传算法具有很强的全局搜索能力，通用性强，鲁棒性高，因而被广泛应用于很多领域，下面简要介绍一些主要的应用领域：
（1）函数优化
（2）调度问题
（3）图像处理
（4）自动控制领域
（5）机器学习
（6）社会与经济领域
（7）人工智能与科学计算
3.2遗传算法的改进
为了克服遗传算法容易出现的早熟现象和局部收敛等问题，对遗传算法中种群初始化以及选择、交叉和变异等遗传操作的改进，始终是遗传算法研究的热门课题。秦广军提出了基于多种群的改进方法。王璇将遗传算法与粒子群算法和人工免疫算法相结合形成混合遗传算法。黄江波等在算法中设计了自适应的交叉概率和变异概率函数。这些都是遗传算法的改进策略，并收到了良好的效果[3][4]。
4、遗传算法的未来发展趋势
结合以上对比分析可知，遗传算法的研究已经从理论方面逐渐转向应用领域;机器人学及图像处理也在逐渐成为研究的热点。
多智能体进化，免疫进化计算、粒子群遗传算法是这几年研究比较多的题目，对传统遗传算子的改进也是讨论比较多的话题。随着应用的不断深入，协同进化算法是在进化算法的基础上，通过考虑种群与环境之间、种群与种群之间在进化过程中的协调关系提出的一类新的进化算法，目前遗传算法已经成为当前进化计算的一个热点问题[5]。
5、结束语
从某种角度来说，遗传算法的研究是从进化生物科学的角度建立起来的，现如今，遗传算法通过理论已经证明，问题的最优解可以通过概率手段以随机的方式最终求得。因此，调度问题与分配问题将会是遗传算法未来主要的的研究方向。
参考文献
[1] 水勇.遗传算法的研究与应用[J].软件，2014，35（3）：107.
[2] 李国煌.遗传算法的改进及其应用[J].华北电力大学硕士论文，2016，03.
[3] 崔姗姗.遗传算法的一些改进及其应用[J].中国科学技术大学硕士论文，2010，05.
[4] DEBREUVE E，GASTAUD M，BARLAUD M，et al. Using the shape gradient for active contour segmentation： from the continuous to the discrete formulation[J]. Mathematical Imaging and Vision，2007，28（ 1） ： 47-66.
[5] Sridevi T.， Fatima S.S. Digital image watermarking using genetic algorithm in DWT and SVD transform [J]. Computational Intelligence and Information Technology， 2013， Page（s）：485-490.