湖南理工学院人工智能课程论文题目：遗传算法及其应用课程名称：人工智能及其应用院系：计算机学院专业班级：计科13 - 2 BJ 姓名：李中文学号: 14132404129课程论文成绩：指导教师：廖军2015 年 6 月30 日遗传算法及其应用摘要：遗传算法(genetic algorithms,GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索方法难以解决的复杂和非线性问题。
遗传算法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规则来进行搜索计算和问题求解。
遗传算法具有通用、并行、稳健、简单与全局优化能力强等突出优点，适用于解决复杂、困难的全局优化问题。
遗产算法以其广泛的适应性渗透到研究与工程的各个领域，例如：组合优化、机器学习、自适应控制、规划设计和人工生命等，是21世纪有关智能计算中的重要技术之一。
文章的第一部分介绍了遗传算法的基本概念。
第二部分介绍了遗传算法的原理。
第三部分着重介绍具体实现，以及简单实例，主要体现遗传算法的实现过程。
第四部分介绍了一个具体问题，如何用遗传算法来解决，以及实现时的一些基本问题。
文章在介绍遗传算法的原理以及各种运算的同时，还分析了一些应用中出现的基本问题，对于我们的解题实践有一定的指导意义。
关键词：遗传算法，遗传，群体Genetic algorithm and its application Abstract: genetic algorithm genetic algorithms (GA) is a kind of reference biology natural selection and genetic mechanism of random search algorithm, is very suitable for the complex and non-linear problems that are difficult for traditional search methods. Genetic algorithm is a new subject based on Darwin's theory of evolution, which is developed on the computer simulation of life evolution. It is based on the survival of the fittest, the survival of the fittest natural evolution rule to search algorithm and solve problems. Genetic algorithm has the advantages of general, parallel, robust, simple and global optimization, which is suitable for solving complex and difficult global optimization problems. Inheritance algorithm with its extensive adaptability penetrated into various fields of research and engineering, for example: combinatorial optimization, machine learning, adaptive control, planning and design and artificial life, is one of the most important technologies in the 21st century the intelligent calculation.The first part of the article introduces the basic concepts of genetic algorithm. The second part introduces the principle of genetic algorithm and three kinds of operations: selection, exchange, variation. The third part focuses on the specific implementation of the three operations, as well as a simple example, the main embodiment of the genetic algorithm to achieve the process. In the fourth part, the two parts are introduced, which are all the problems of NP-, how to use genetic algorithms to solve the problems, and some basic problems in the implementation of the problem.In the introduction of the principle of genetic algorithm and various operations, it also analyzes the basic problems that arise in some applications.Key words: genetic algorithm, genetic variation, population目录一．遗传算法的基本概念二．简单的遗传算法三．简单的遗传算法运算示例四．遗传算法应用举例五．结束语一．遗传算法的基本概念1.遗传算法的生物学背景Darwin自然选择学说揭示了大自然生物进化过程中的一个规律：适者生存，也就是说最适合大自然环境的群体往往产生了更大的后代群体。
Mendel遗传学说最重要的是基因遗传原理。
它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。
每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。
基因突变和基因杂交可产生更适应于环境的后代。
经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。
生物的遗产物质的主要载体是染色体(shromosome)，DNA是其中的最主要的遗产物质，而基因(gene)又是扩展生物性状的遗传物质的功能单元和结构单元。
染色体中基因的位置称为基因座(locus)，而基因所取的值又称为等位基因(alleles)。
基因和基因座决定了染色体的特征，也决定了生物个体的(individual)的性状。
以一个初始群体为起点，经过竞争后，一部分群体被淘汰而无法再进入这个循环圈，而另一部分则成为种群。
种群经过婚配产生子代群体。
在进化的过程中可能会因为变异而产生新的个体。
综合变异的作用，子群成长为新的群体而取代旧群体。
由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念。
自20世纪40年代，生物模拟(仿生学)就已经成为计算科学的一个组成部分，而人们对机器智能的强烈渴望，大大推动了仿生学的发展，对大规模优化问题有效求解的现实需求，也大大的推动了遗产算法(GA)的产生。
2.基本概念遗传算法（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规则来进行搜索计算和问题求解。
对许多用传统数学难以解决或明显失效的复杂问题，特别是优化问题，GA提供了一个行之有效的新途径，也为人工智能的研究带来了新的生机。
GA由美国J. H. Holland博士1975年提出，当时并没有引起学术界的关注，因而发展比较缓慢。
从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，遗传算法逐步成熟，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，如控制、机械、土木、电力工程中得到成功应用，显示出了诱人的前景。
与此同时，GA也得到了国际学术界的普遍肯定。
从1985年至今国际上已举行了五届遗传算法和进化计算会议，第一本《进化计算》杂志1993年在MIT创刊，1994年IEEE神经网络汇刊出版了进化规划理论几应用专集，同年IEEE将神经网络，模糊系统，进化计算三个国际会议合并为’94IEEE全球计算智能大会（WCCI），会上发表进化计算方面的论文255篇，引起了国际学术界的广泛关注。
目前，GA已在组合优化问题求解、自适应控制、程序自动生成、机器学习、神经网络训练、人工生命研究、经济组合等领域取得了令人著目的应用成果，GA也成为当前人工智能及其应用的热门课题3基本思想遗产算法主要借用生物进化论中“试着生存”的规律。
把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。
并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。
然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。
这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。
遗产算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成为遗产空间中的染色体或者个体，这个过程称作为编码。
另一个是从基因型到表现型的转换，即将个体转换成为搜索空间中的参数，这个过程称作为译码。
遗传算法在求解问题时从多个解开始，然后通过一定的法则进行逐步迭代以产生新的解。
这多个解的二．简单的遗传算法遗产算法中包含了五个基本要素：参数编码、初始群体的设定，适应度函数的设计，遗传操作设计，控制参数设定一．参数编码遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。
这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。
二.群体设定由于遗传算法是对群体进行操作的，所以，必须为遗传操作准备一个由若干初始解组成的初始群体。
遗传算法中初始群体中的个体是随机产生的。
一般来讲，初始群体的设定可采取如下的策略:（1）根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。