金靖喆

摘 要： 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机制来进行搜索计算和问题求解。本文主要介绍遗传算法的原理，包括其定义及其实现步骤，以及遗传算法的研究现状和未来发展趋势。

关键词： 遗传算法;研究现状;发展

1.  引言

遗传算法在上世纪70年代由美国J.H.Holland博士提出的时候，并没有引起学术界的关注，因而发展比较缓慢。从20世纪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，遗传算法逐渐成熟，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），也开始在工业系统中得到成功应用，显示出了诱人的前景[1]。

2.  遗传算法简介

遗传算法仿照自然进化过程来实现对最优解的进行寻找的方法，它应用了达尔文进化论中的选择与变异的原理。先进行定向的选择，再进行不定向的变异，根据能体现目标的适应度函数，来体现每一代个体的适应度，从而进行选择操作，然后再进行遗传迭代，产生带有新的基因组合的个体。

2.1遗传算法的步骤

1） 将决策变量进行编码

2） 设定适应度函数

3） 获得初始种群

4） 迭代计算

5）得到理想解

遗传算法的过程，其实就是一种类似生物学中生物进化的过程，在遗传算法中的每一代，根据问题域中个体适应度大小挑选个体，并借助遗传算子进行组合交叉和主客观变异，进化出代表新的解集的种群。……