遗传算法发展前景概况
（华北电力大学电气与电子工程学院，北京102206）
摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。
关键词：遗传算法; 遗传算子；进化计算；编码
GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT
(North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own.
KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding
1.引言
现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。
2.遗传算法基本思想
遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。
遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则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。
染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。
因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。
初始种群产生之后，按照适者生存和优胜劣汰的原则，逐代演化产生出越来越好的近似解。
在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。
遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。
为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。
所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。
这一过程循环执行，直到满足优化准则为止。
3.遗传算法基本操作
（1）编码。
由于遗传算法不能直接处理解空间的解数据，因此在搜索之前必须先通过编码把解空间变量表示成遗传空间的位串结构数据，即染色体。
（2）生成初始化种群。
生成初始群体遗传算法是群体型操作算法，在对解空间变量进行编码后，紧接着就随机产生N个染色体，构成遗传算法的初始种群，然后以这个初始种群为起始点开始迭代搜索。
（3）评价个体适应度。
遗传算法在搜索进化过程中一般不需要外部信息，仅用适应度函数值来评价个体或解的优劣，并作为以后遗传操作的依据。
适应度函数表明个体对环境适应度的强弱，不同的问题，适应度函数的定义方式也不同，对函数优化问题，一般取目标函数作为适应度函数。
（4）选择。
选择的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留以繁殖后代。
判断染色体优良与否的准则就是各自的适应度值，个体适应度值越大，其被选择机会就越多。
选择操作体现了生物进化的思想。
选择的方法根据不同的问题，采用不同的选择算法。
（5）交叉。
交叉是把两个父代个体的部分结构加以替换重组而生成新个体的操作，也称基因重组。
交叉的目的是为了能在下一代中产生新个体，通过交叉操作，遗传算法的搜索能力得到飞跃的提高。
交叉是遗传算法得到新优良个体的最重要的手段。
交叉的方法有很多。
如单点交叉，多点交叉，均匀交叉。
（6）变异。
即交叉之后子代的变异。
变异操作时模拟自然界生物进化中染色体上基因发生突变的现象，从而改变染色体的结构和物理性状。
在遗传算法中，变异算子通过按变异概率P随机反转某位等位基因的二进制字符值来实现。
选择和交叉基本上完成了遗传算法的大部分搜索功能，二变异则增加了遗传算法找到接近最优解的能力。
变异首先在群体中随机的选择一个个体，以一定的概率随机的改变基因串中某个字符的值，变异操作是按位进行的，变异发生的概率极低，它本身是一种随机搜索，但与选择，交叉算子结合在一起，就能避免由复制和交叉算子引起某些信息丢失，从而保证的遗传算法的有效性。
4.遗传算法的研究发展进展和应用
遗传算法研究兴起是在20世纪80年代末和90年代初期，但它的历史起源可追溯至20世纪60年代初期。
早期的研究大多以对自然系统的计算机模拟为主。
如Fraser的模拟研究，他提出了和现在遗传算法十分相似的概念和思想。
Holland和DeJong的创造性研究成果改变了早期遗传算法研究无目的性和理论指导的缺乏。
进入20世纪80年代，遗传算法迎来了兴盛发展时期，无论是理论研究和应用研究都成了很热门的课题。
尤其是遗传算法的应用领域不断扩大。
自从遗传算法出现以来为提高遗传算法解决问题的能力的改进研究一直在进行，包括改善基本操作方法，改善编码方法，改善种群的多样性等三大类。
5.个人对遗传算法发展趋势的几点看法
从自然现象来看，生物演化的目的并非取得某一限制条件下的某些参数优化，而是适应环境。
从这一点来看，虽然目前工程实践上遗传算法的主要应用是用于优化，但真正的结果并非如此。
借鉴遗传算法和生物演化现象的紧密关系，人工生命和复杂性科学的研究与遗传算法有极其密却的联系。
从长远来看。
遗传算法还有以下发展空间：
（1）协同进化。
进化的目标不是形成一个超级物种，一个生态环境进化的结果是物种与环境的相互适应的复杂系统。
因此，应该研究多个物种早共同的生态环境中的协同进化。
对应到遗传算法，可以用于多目标的优化。
（2）学习与进化的相互作用。
可以将学习分为以下几种，（1）宗亲学习：通过血亲遗传祖先的特征遗传给后代。
（2）社团学习：经验和知识在群体中共享。
（3）个体学习：个体生存过程中的学习。
个体学习获得某种所需特性的机会。
但是除了生物界的有性生殖，突变，染色体互换和倒置等等基于生理结构的进化机制外，人类社会还存在基于社会文化的进化机制，个体在社会学
习中得到特有的更高级的进化。
6.结束语
随着计算机技术的高速发展，遗传算法将会更加广泛地应用于国民经济的各个领域，如故障诊断，工业控制，电力系统，系统辨识，神经网络，路径规划，网络通信，社会科学等。
随着遗传算法的深入研究以及与其他学科的互相融合，必将在智能领域占有越来越重要的地位。
随着理论研究的不断深入和应用领域的不断扩展，遗传算法将得到长足的发展。
参考文献
[1]吴启迪，康琦，汪镭，陆金山.自然计算导论[M].上海：上海科学技术出版社，2011
[2]张文修，梁怡.遗传算法的数学基础[M].西安：西安交通大学出版社，2000
[3]李敏强，寇纪淞，林丹，李书全.遗传算法的基本理论与应用[M].北京：科学出版社，2002
[4]巩敦卫，郝国生，周勇，郭一楠.交互式遗传算法原理及其应用[M].北京：国防工业出版社，2007
[5]赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述[J].昆明：云南民族大学学报，2004。