张骞 西安工程大学计算机科学学院

1 研究背景及其意义

遗传算法基于生物进化，完成了一系列设计，从而达到优化的目的，这些过程主要涉及到，交叉组合，自然选择。遗传算法从一组初始可行解，出发，从而在可行域全局搜索下得到全局最优解，该特性在优化函数与优化组合方面得到了很好的利用，同时也为计算机智能技术提供的技术提供了技术支撑。为了增强数据挖掘的准确性，很多学者纷纷在数据挖掘之中引入了遗传算法，并且取得了一定的成就。

2 遗传算法的基本原理

遗传算法主要来源于生物系统，钟中计算机模拟研究，该算法主要是用来模拟生物进化，是计算机与自然遗传学相结合的一种研究计算方法。遗传算法的基础是遗传理论与自然选择，该算法是将适者生存和群体内染设计随机交换相结合的搜索算法。在搜索前，先需要通过以某种方式把变量进行编码，产生的变量叫做染色体，不同的染色体形成一个群体，再以某种方法对这些染色体进行评估，从而得出适应值，产生群体的步骤总结如下：

第一，按照染色体的适应值完成染色体的选择和复制染色体的次数，第二，对染色体进行重组，变异从而生成新的染色体。

3 遗传算法的主要特点

为了处理优化计算等各种难题，学者纷纷提出了多种优化算法，比如分支定界法，梯度法，单纯形法。没有算法，有着各自的优点与缺点，以及各自的限制，已转算法作为一种应用于复杂系统优化计算的鲁棒搜索算法，相比于其他算法而言，特点总结如下：