【摘要】：GA是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体或个体或串的评价和对染色体及其基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。②求P中各个体的适应度函数值。若满足则输出搜索结果；否则执行下面步骤。⑥若交叉概率pc＞ξ∈[0，1]，则对选中个体执行交叉操作来产生两个子代个体；否则，将选中的父代个体直接作为子代个体。⑧若m＜N，则返回第5步；否则，令k=k+1，并返回第2步。
GA是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体（Chromosome）或个体（Individual）或串（String）的评价和对染色体及其基因（Gene）的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。
以下介绍标准遗传算法的步骤，很多遗传算法的改进都是以此为基础的[83，147-149]。
①k=0，随机产生N个初始个体构成初始种群P（0）。
②求P（k）中各个体的适应度函数值（Fitness Value）。
③判断算法收敛准则是否满足。若满足则输出搜索结果；否则执行下面步骤。
④m=0。(www.xing528.com)
⑤根据适应度值大小以一定的方式执行选择操作从P（k）中挑选两个个体。
⑥若交叉概率pc＞ξ∈[0，1]，则对选中个体执行交叉操作来产生两个子代个体；否则，将选中的父代个体直接作为子代个体。
⑦按变异概率pm对临时个体执行变异操作产生两个新个体放入P（k+1）中，并令m=m+2。
⑧若m＜N，则返回第5步；否则，令k=k+1，并返回第2步。
上述算法中，适应度函数是对个体进行选择的一个重要指标，是GA进行优化所用的主要信息，它与个体的目标值存在一种对应关系；选择操作通常采用比例选择，即选择概率正比于个体的适应度函数值，如此就意味着适应度高的个体在下一代中得到遗传的概率增大，从而提高了种群中所有个体的平均适应度值；交叉操作用于交换两个父代个体的部分染色体信息构成子代个体，使得子代继承父代的优良基因，从而有助于得到性能优良的个体；变异操作通过随机改变个体中某些基因而产生新个体，利于增减种群的多样性，避免了早熟收敛。
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。
