发布时间 : 星期六 文章遗传算法中交叉算法的改进更新完毕开始阅读96f2892a0342a8956bec0975f46527d3250ca6e2
龙源期刊网 http://www.qikan.com.cn
遗传算法中交叉算法的改进
作者：姜 薇
来源：《中国科技博览》2009年第01期
[摘要]遗传算法是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串(称为染色体、个体)，即种群。这里每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应值比例的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化一代代演化下去，直到满足期望的终止条件为止。 一般应用于在一个问题的解集中查找最优解情况，如是一个问题有多个答案，但是想查找一个最优答案的话，那么使用遗传算法可以达到更快更好的效果。本文就遗传算法中的交叉算法的改进进行讨论与研究。 [关键词]遗传算法 交叉算法 改进
中图分类号:O224 文献标识码：A 文章编号: 1009-914X(2009)01(a)-0044-01
自然界的生物进化是按“适者生存，优胜劣汰”规律进行的，Michigan大学Holland教授根据这一规律于1975年首次提出了遗传算法（Genetic Algorithm，GA），其基本思想是力求充分模仿这一自然寻优过程的随机性、鲁棒性和全局性，借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现个体的适应性的提高，这一点体现了自然界中“物竞天择、适者生存”进化过程，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方面，并奠定了坚实的理论基础。这是一种新型的全局优化搜索算法，因为其直接对结构对象进行操作，不存在求导和函数连续性的限定，适于并行处理，已广泛应用于神经网络、计算机科学、优化调度、运输问题、组合优化、机器学习、信号处理、自适应控制和人工生命等领域，并且遗传算法在实际应用中也取得了巨大成功。
一、遗传算法简介
遗传算法摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作（遗传，交叉和变异），根据预定的目标适应度函数对每个个体进行评价，依据