遗传算法原理什么是遗传算法

遗传算法的基本原理

遗传算法〔ic Algorithm,简称GA)是模拟生物进化过程的计算模型，是自然遗传学与计算机科学相互结合、相互渗透而形成的新的计算方法。

遗传是一种生物从其亲代继承特性和性状的现象。

继承的信息由基因携带，多个基因组成染色体，纂因在染色体中的位置为基因座(Locus )。

同一基因座可能有的全部基因为等位基因(Alleles，等位基因和基因座决定了染色体的特征，也决定了生物个体的特性。

从染色体的表现形式看，有两种相应的表示模式，分别为基因型(Genotype)和表现型( Phenotype)。

表现型是指生物个体表现出来的性状，而基因型则是指与表现密切相关的基因组成。

同一基因型的生物个体在不同的环境条件下有不同的表现型。

因此，表现型是基因型与环境相互作用的结果。

在遗传算法中染色体对应的是一系列符号序列，在标准的遗传算法(即基本遗传算法)中，通常用0, 1组成的位串表示，串上各个位置对应基因座，各位置上的取值对应等位基因。

遗传算法对染色体进行处理，染色体称为基因个体。

一定数量的基因个体组成基因种群。

种群中个体的数目为种群的规模，各个体对环境的适应程度称为适应度(Fitness )。

遗传算法的中心思想

遗传算法的中心思想就是对一定数量个体组成的生物种群进行选择、交叉、变异等遗传操作,最终求得最优解或近似最优解。

在进行遗传操作时,几个重要的参数为:染色体长度L,种群大小M,交叉概率Pc,变异概率Pm,终止代数T。

什么是遗传算法？

遗传算法（ic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是有美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。

每个个体实际上是染色体(chromosome)带有特征的实体。

染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。

因此，在一开始需要实现从表现型到基因型的映射即编码工作。

由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）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（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（ic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。

这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

遗传算法思想

首先初始化，包括种群的大小，编码的方案，遗传的代数，变异的概率，等等； 然后进行选择操作； 接着是将选择的个体进行交叉，； 然后再进行选择，并将选择的个体进行变异； 最后就是更新最优值了。

大体过程就是这样了。

遗传算法初始种群的产生原理是什么？随机产生？为什么？

种群?[zhǒng qún] 种群（population）指在一定时间内占据一定空间的同种生物的所有个体。

种群中的个体并不是机械地集合在一起，而是彼此可以交配，并通过繁殖将各自的基因传给后代。

种群是进化的基本单位，同一种群的所有生物共用一个基因库。

对种群的研究主要是其数量变化与种内关系，种间关系的内容已属于生物群落的研究范畴。

种群与群落不是相同概念

什么是遗传算法

遗传算法是模拟自然界中按“优胜劣汰”法则进行进化过程而设计的算法。

Bagley和Rosengerg于1967年在他们的博士论文中首先提出了遗传算法的概念。

1975年Holland出版的专著奠定了遗传算法的理论基础。

如今遗传算法不但给出了清晰的算法描述，而且也建立了一些定量分析的结果，在众多领域得到了广泛的应用，如用于控制(煤气管道的控制)、规划(生产任务规划)、设计(通信网络设计)、组合优化(TSP问题、背包问题)以及图像处理和信号处理等。