.
从遗传算法的整个发展过程来看,20 世纪 70 年代是兴起阶段,20 世纪 80 年
代是发展阶段,20 世纪 90 年代是高潮阶段。遗传算法作为一种实用、高效、鲁
棒性强的优化技术,发展极为迅速,已引起国内外学者的高度重视。
近些年来,国内外很多学者在遗传算法的编码表示、适应度函数、遗传算子、
参数选择、收敛性分析、欺骗问题和并行遗传算法上做出了大量的研究和改进。
还有很多学者将遗传算法和其他只能算法结合,进一步提高局部搜索能力。在遗
传算法的应用上也有很多改进。由于遗传算法具有全局并行搜索、简单通用、
鲁棒性强等优点,使得遗传算法广泛地应用于计算机科学、自动控制、人工智能、
工程设计、制造业、生物工程和社会科学等领域。针对遗传算法的一些问题,还
有一些问题需要进一步的探究,将大大促进遗传算法理论和应用的发展,遗传算法
必将在智能计算领域中展现出更加光明的前景。
三、遗传算法的特点
遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法。它
与传统的算法不同,大多数古典的优化算法是基于一个单一的度量函数〔评估函
数的梯度和较高次统计,以产生一个确定性的试验解序列;遗传算法不依赖梯度
信息,而是通过模拟自然进化进程来搜索最优解,它利用某种编码技术,作用于称
为染色体的数字串,模拟由这些串组成的群体的进化过程。遗传算法通过有组织
的、随机的信息交换来重新组合那些适应性好的串,生成新的串的群体。
遗传算法有以下优点:
〔1 对可行解表示的广泛性。遗传算法的处理对象不是参数本身,而是针对
那些通过参数集进行编码的基因个体,此编码操作使得遗传算法可以直接对结构
对象进行操作。所谓结构对象,泛指集合、序列、矩阵、树、链、表等各种一维
或二维甚至多维结构形式的对象。这一特点使得遗传算法具有广泛的应用领域。
比如通过对连接矩阵的操作,遗传算法可用来对神经网络或自动机的结构或参数
加以优化;通过对集合的操作,遗传算法可实现对规则集合和知识库的精炼而达
到高质量的机器学习目的;通过对树结构的操作,用遗传算法可得到用于分类的
最佳决策树;通过对任务序列的操作,遗传算法可用于任务规划,而通过对操作序
.