遗传算法的应用领域概述

遗传算法的简单了解 遗传算法是一种智能搜索算法，它通过模拟生物基因遗传的做法来搜索最优解。该算法的主要特点是：不依赖于梯度信息或其它辅助知识，只需要目标函数和相应的适应度函数。因此，遗传算法可以广泛应用于许多科学领域，解决复杂系统问题。 函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例。遗传算法可以方便地得到较好的结果，对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解。例如，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。 组合优化是另一个重要的应用领域。随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的NP问题非常有效。例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。 此外，遗传算法也在生产调度、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。例如，车间调度问题是一个典型的NP-Hard问题，遗传算法作为一种经典的智能算法广泛用于车间调度中，很多学者都致力于用遗传算法解决车间调度问题，现今也取得了十分丰硕的成果。 遗传操作是模拟生物基因遗传的做法。在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解，一代又一代地优化，并逼近最优解。 遗传操作包括以下三个基本遗传算子(genetic operator):选择(selection)；交叉(crossover)；变异(mutation)。这三个遗传算子有如下特点：个体遗传算子的操作都是在随机扰动情况下进行的。因此，群体中个体向最优解迁移的规则是随机的。需要强调的是，这种随机化操作和传统的随机搜索方法是有区别的。 遗传算法是一种非常有用的智能搜索算法，广泛应用于许多科学领域，解决复杂系统问题。它通过模拟生物基因遗传的做法来搜索最优解，不依赖于梯度信息或其它辅助知识。因此，遗传算法可以广泛应用于许多科学领域，解决复杂系统问题。