遗传算法在人工智能中的应用_遗传算法的应用实例

一、遗传算法原理

        遗传算法（GA）是一种基于生物界规律和自然遗传机制的并行搜索算法。1975 年，J. Holland 教授首次在书中提出“自然组合人工智能系统的适应性”。它是一种多参数，多组合同时优化方法，模拟自然进化过程中“自然选择，适者生存”的原则。其主要特征是群体间的搜索方法以及群体中个体信息的交换。GA 非常适合解决传统搜索方法难以解决的非线性问题[1]。与其他启发式算法相比，遗传算法具有以下特征：
        （1）遗传算法从多个初始点而不是单个初始点开始搜索，因此可以有效地跳出局部极值 ;
        （2）利用目标函数的评价信息而不是传统导数的目标函数，形式对目标函数没有要求，因而有良好的适应性和可规模化 ;
        （3）具有良好的寻找全局最优解的能力，能够在非连续，多峰和嘈杂的环境中以较大的概率收敛到全局最优或满意的解 ;
        （4）将每个过程划分作为决策变量，优化生产过程，解决最优作业调度问题 ;
        （5）具有天生的并行性，即在对群体进行运算的同时，对多个结果 进行信息搜索；它具有一定的概率，这增加了其搜索最优解决过程的灵活性。

        GA 从种群的初始解决方案开始其搜索过程。群体中的每个个体被称为染色体。在迭代过程中染色体的不断更新称为遗传。GA 主要通过交叉、变异、选择算子来实现。染色体的优点和缺点通常通过适应性来评估。根据适合度值的大小，从父母和后代中选择一定比例的个体作为后代的群体，然后继续迭代计算直到它收敛到全局最佳染色体。适应度是遗传算法用来评价种群在进化的过程中所能达到的最优值的一个概念。为了证明染色体的适应性，引入了测量每

今天的文章遗传算法在人工智能中的应用_遗传算法的应用实例分享到此就结束了，感谢您的阅读。