遗传算法是一类起源于自然的智能启发式搜索算法。Holland J H[1]在 1975 年提出了这种智能优化算法，紧接着，他的学生Goldberg D E[2]在《Genetic Algorithms in Search，Optimization，and Machine Learning》一书中对简单遗传算法（SGA，Simple Genetic Algorithm）作了完整的描述，这本书涉及到遗传算法的所有重要参数的讨论，包括交叉算子、变异算子、适应度计算等，而且将遗传算法应用到现实生活当中。遗传算法的主要特点是群体搜索策略和群体中个体之间的信息交换及搜索不依赖于梯度信息。作为启发式概率搜索的代表，遗传算法简洁明了，适应性强，而且可以很容易地进行并行化编程设计，在生物科学、数据挖掘、机械控制、智能优化等诸多领域有广泛的应用，成为21世纪关于智能计算非常重要的关键词。
区别于传统的优化方法，例如梯度下降法[3]（Gradient Descent）、共轭梯度法[4]（Conjugate Gradient）、牛顿法[5]（Newton-Raphson Method）等，这些数学优化算法理论往往需要对所求问题求导数或者偏导数，对于简单的问题也许能取得好的效果，但是对于那些维数高而又带有复杂苛刻约束条件的问题，不但需要目标函数具有良好的连续性，而且很容易陷入局部最优。在遗传算法中，基因染色体的组成往往是实际问题首先进行编码，取代原有的数学表达方式，因此算法无论是离散变量，还是连续变量都能轻松解决。目标函数主导这个算法搜索过程，不依靠其他辅助外界信息，不需要设计函数或者解的空间的平滑性和连续性，方便处理许多实际数学模型；遗传演化算法在科学研究中有很多不同的研究方向，可以对算法的参数、搜索策略进行有效的改进，也可以与其他启发式算法进行融合，构成混合遗传算法。(www.xing528.com)
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。
