遗传算法（Genetic Algorithms，GA）是J.Holland 教授于1975 年提出，是一种模拟生物选择和遗传学原理的人工智能技术，通过进行一系列的自然选择、交叉变换、变异等步骤，最终实现种群的进化。遗传算法具有对问题依赖性小、使用范围广、搜索效率高、运行效率高等优点[107]。所以，该方法在机器学习、图像处理和函数优化等领域都有较为广泛的应用。
作为一种当前流行的智能搜索算法，遗传算法的优化要素主要受参数编码、适应度函数、初始群体的定义、遗传操作设计及控制参数设定五大要素制约。而该算法的数学基础则为J.Holland 教授提出的模式定理。
定义1：基于字符集{0，1，*}产生的能够表达某些结构相似性的布尔型字符串（0、1）可以称之为模式。
定义2：模式中确定位置的个数称之为模式的阶，可记为O（H）。
定义3：模式中第一个和最后一个确定位置之间的距离称作模式的定义距，记为。
模式定理：在遗传操作数选择、交叉转换和变异的作用下，具有低阶、短定义距及平均适应度高于种群适应度的模式在迭代中将得以指数级增长。
通过利用模式定理，将使得低阶、高适应度和短定义距的模式数量逐步增加，最终使得结果趋于全局最优。
利用遗传算法对多分类支持向量机模型的参数进行优化的步骤如图6-6所示，其实现过程主要包括以下几个步骤[108]：
（1）训练样本预处理，确定输入变量和训练样本数量。
（2）种群初始化并编码，设置SVM 算法的惩罚因子C 和核函数参数的初始值及取值范围；同时，对遗传算法中的种群规模大小、最大迭代步数、种群交叉率和变异率等参数进行设定；另外，采用二进制编码对种群染色体进行初始化编码。(www.xing528.com)
（3）以分类准确率为适应度函数，计算种群中各染色体的适应度值。
对适应度函数输出结果进行判断，判断输出值是否满足收敛条件，如果收敛，则输出最优迭代结果，否则将进入下一步操作。
（4）通过一系列的选择、复制、交叉变换和变异等操作，进化生成出一个新的种群，返回至步骤（3）；重新进行计算。
（5）对最优染色体进行解码，并将结果作为SVM 的输入参数，采用测试样本对模型精度进行验证。
因此，驾驶模式决策选择过程为：首先基于决策属性特征和对应的驾驶模式决策结果构造训练的样本集，并将获取的样本集输入SVM 模型进行训练，然后采用遗传算法优化模型中的惩罚系数和核函数参数，进而得到最优的惩罚系数和核函数参数[109]。模型参数标定完毕后，将决策属性测试样本输入SVM 模型中，得出最终的驾驶模式决策结果。GA-M-SVM 模型的决策流程如图6-7 所示。
图6-6 遗传算法优化支持向量机模型流程
图6-7 基于GA-M-SVM 的驾驶模式决策流程
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。
