遗传算法

1、 遗传算法的改进

（1）自适应遗传算法

（2）CHC算法

（3）基于小生境技术的遗传算法

（4）退火进化算法

 

2、 遗传算法的应用

 

（1）解决带约束的函数优化问题

（2）解决多目标优化问题

（3）解决组合优化问题

（4）遗传算法在过程建模中的应用

（5）遗传算法在模式识别中的应用

 3、遗传算法的原理

 

遗传算法(GA)是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体；初始种群产生后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解：

（1）在每一代，概据问题域中个体的适应度大小挑选个体；

（2）并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。

（3）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。

 基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。

 

  

4、遗传算法的特点

遗传算法的本质并行性。

   ·首先，遗传算法并行的方式从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。

   ·其次，算法内含并行性，遗传算法采用种群方式组织搜索，因而可同时搜索妥空间的多个区域(n-n3)，并相互交流信息，能以较小的计算获得较大的收益。

遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。

具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

遗传算法可更直接的应用，对给定的问题，可以产生许多潜在解，最终选择可以由使用者指定，通用性高，应用范围广。

  

5、遗传算法在交通中的应用

(1)解决带约束的函数优化问题

    交通规划

(2)解决多目标优化问题

    交通信号控制

(3)解决组合优化问题(TSP问题)

    TSP问题

(4)遗传算法在过程建模中的应用

    BP、模糊等参数优化

(5)在模式识别中的应用

    图像处理