【摘要】：遗传算法[10]模拟了达尔文的“优胜劣汰”进化过程，即模拟了自然选择和遗传进化中发生的繁殖、交配和突变现象。在遗传算法中，需要用到适应度函数、选择算子、交叉算子和变异算子等概念。遗传算法的具体步骤如下：1）建立初始种群，由P个个体组成，每个个体为d位基因码，计算每个个体的适应度函数值。2）选择算子：从当前种群中选择繁衍到子种群的个体。重复步骤2）～4）直到终止条件被满足。
遗传算法[10]（GA，Genetic Algorithm）模拟了达尔文的“优胜劣汰”进化过程，即模拟了自然选择和遗传进化中发生的繁殖、交配和突变现象。从一个初始种群出发，通过随机选择、交叉和变异操作，产生一群新的更适合环境的个体；再使群体进化到搜索空间中越来越好的区域，这样一代代不断进化；最后，收敛到一个最适应环境的个体上，求得问题的近优解。
在遗传算法中，需要用到适应度函数、选择算子、交叉算子和变异算子等概念。适应度是为实际问题预先定义的数学度量，用于测试每个个体的优劣程度。选择算子保证父种群和子种群个体的连续性，也使得子种群继承父种群适应度函数高的个体。交叉算子和变异算子用在种群进化中，交叉算子使得下一代种群中的个体不但继承上代种群中父体的基因，而且还要继承母体的基因；变异操作对应着生物界的基因突变，增加种群中个体的多样性。
每个用二进制串编码的个体叫作染色体。遗传算法的具体步骤如下：
1）建立初始种群，由P个个体组成，每个个体为d位基因码，计算每个个体的适应度（Fitness）函数值。
2）选择算子（如轮盘法、锦标赛选择等方式）：从当前种群中选择繁衍到子种群的个体。(www.xing528.com)
3）从2）选择的个体经过交叉算子（如两点交叉、均匀交叉等方式）和变异算子（如“位”突变），产生后代种群。
4）从3）中选择前P个适应度函数值最大的个体作为当前种群。重复步骤2）～4）直到终止条件被满足。
步骤中的终止条件可以是事先定义的最多迭代次数和求解精度等。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
