目錄 遺傳算法 （genetic algorithm）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法，它是有美國michigan大學j.holland教授於1975年首先提出來的，並出版了頗有影響的專著《adaptation in natural and artificial systems》，ga這個名稱纔逐漸為人所知，j.hilland教授所提出的ga通常為簡單遺傳算法 （sga）。
遺傳算法 是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經過基因（gene）編碼的一定數目的個體(individual)組成。每個個體實際上是染色體(chromosome)帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合，它决定了個體的形狀的外部表現，如黑頭髮的特徵是由染色體中控製這一特徵的某種基因組合决定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進製編碼，初代種群産生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化産生出越來越好的近似解，在每一代，根據問題域中個體的適應度（fitness）大小挑選（_select_ion）個體，並藉助於自然遺傳學的遺傳算子（genetic operators）進行組合交叉（crossover）和變異（mutation），産生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的後生代種群比前代更加適應於環境，末代種群中的最優個體經過解碼（decoding），可以作為問題近似最優解。 遺傳算法 是一類可用於復雜係統優化的具有魯棒性的搜索算法，與傳統的優化算法相比，主要有以下特點：
遺傳算法 以决策變量的編碼作為運算對象。傳統的優化算法往往直接决策變量的實際植本身，而遺傳算法 處理决策變量的某種編碼形式，使得我們可以藉鑒生物學中的染色體和基因的概念，可以模仿自然界生物的遺傳和進化機理，也使得我們能夠方便的應用遺傳操作算子。
遺傳算法 直接以適應度作為搜索信息，無需導數等其它輔助信息。
遺傳算法 使用多個點的搜索信息，具有隱含並行性。
遺傳算法 使用概率搜索技術，而非確定性規則。 由於遺傳算法 的整體搜索策略和優化搜索方法在計算是不依賴於梯度信息或其它輔助知識，而衹需要影響搜索方向的目標函數和相應的適應度函數，所以遺傳算法 提供了一種求解復雜係統問題的通用框架，它不依賴於問題的具體領域，對問題的種類有很強的魯棒性，所以廣泛應用於許多科學，下面我們將介紹遺傳算法 的一些主要應用領域：
遺傳算法 的經典應用領域，也是遺傳算法 進行性能評價的常用算例，許多人構造出了各種各樣復雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。對於一些非綫性、多模型、多目標的函數優化問題，用其它優化方法較難求解，而遺傳算法 可以方便的得到較好的結果。
遺傳算法 是尋求這種滿意解的最佳工具之一。實踐證明，遺傳算法 對於組合優化中的np問題非常有效。例如遺傳算法 已經在求解旅行商問題、 背包問題、裝箱問題、圖形劃分問題等方面得到成功的應用。
進入90年代，遺傳算法 迎來了興盛發展時期，無論是理論研究還是應用研究都成了十分熱門的課題。尤其是遺傳算法 的應用研究顯得格外活躍，不但它的應用領域擴大，而且利用遺傳算法 進行優化和規則學習的能力也顯著提高，同時産業應用方面的研究也在摸索之中。此外一些新的理論和方法在應用研究中亦得到了迅速的發展，這些無疑均給遺傳算法 增添了新的活力。遺傳算法 的應用研究已從初期的組合優化求解擴展到了許多更新、更工程化的應用方面。
遺傳算法 的研究出現了幾個引人註目的新動嚮：一是基於遺傳算法 的機器學習，這一新的研究課題把遺傳算法 從歷來離散的搜索空間的優化搜索算法擴展到具有獨特的規則生成功能的嶄新的機器學習算法。這一新的學習機製對於解决人工智能中知識獲取和知識優化精煉的瓶頸難題帶來了希望。二是遺傳算法 正日益和神經網絡、模糊推理以及混沌理論等其它智能計算方法相互滲透和結合，這對開拓21世紀中新的智能計算技術將具有重要的意義。三是並行處理的遺傳算法 的研究十分活躍。這一研究不僅對遺傳算法 本身的發展，而且對於新一代智能計算機體係結構的研究都是十分重要的。四是遺傳算法 和另一個稱為人工生命的嶄新研究領域正不斷滲透。所謂人工生命即是用計算機模擬自然界豐富多彩的生命現象，其中生物的自適應、進化和免疫等現象是人工生命的重要研究對象，而遺傳算法 在這方面將會發揮一定的作用，五是遺傳算法 和進化規劃（evolution programming,ep）以及進化策略（evolution strategy,es）等進化計算理論日益結合。ep和es幾乎是和遺傳算法 同時獨立發展起來的，同遺傳算法 一樣，它們也是模擬自然界生物進化機製的衹能計算方法，即同遺傳算法 具有相同之處，也有各自的特點。目前，這三者之間的比較研究和彼此結合的探討正形成熱點。
遺傳算法 相比，所測試的六個函數中有四個表現出更好的性能，而且總體來講，sigh比現存的許多算法在求解速度方面更有競爭力。
遺傳算法 與單一方法（simplex method）結合起來，形成了一種叫單一操作的多親交叉算子（simplex crossover），該算子在根據兩個母體以及一個額外的個體産生新個體，事實上他的交叉結果與對三個個體用選舉交叉産生的結果一致。同時，文獻還將三者交叉算子與點交叉、均勻交叉做了比較，結果表明，三這交叉算子比其餘兩個有更好的性能。
遺傳算法 的交叉算子進行改進。2002年，戴曉明等應用多種群遺傳並行進化的思想，對不同種群基於不同的遺傳策略，如變異概率，不同的變異算子等來搜索變量空間，並利用種群間遷移算子來進行遺傳信息交流，以解决經典遺傳算法 的收斂到局部最優值問題
遺傳算法 在較大規模組合優化問題上搜索效率不高的現象，提出了一種用基因塊編碼的並行遺傳算法 （building-block coded parallel ga，bcpga）。該方法以粗粒度並行遺傳算法 為基本框架，在染色體群體中識別出可能的基因塊，然後用基因塊作為新的基因單位對染色體重新編碼，産生長度較短的染色體，在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體。
遺傳算法 求解tsp問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,嚮全局最優解方向進化。 遺傳算法 是基於生物學的，理解或編程都不太難。下面是遺傳算法 的一般算法：
遺傳算法 用到並行計算和群集環境中。一種方法是直接把每個節點當成一個並行的種群看待。然後有機體根據不同的繁殖方法從一個節點遷移到另一個節點。另一種方法是“農場主/勞工”體係結構，指定一個節點為“農場主”節點，負責選擇有機體和分派適應度的值，另外的節點作為“勞工”節點，負責重新組合、變異和適應度函數的評估。
遺傳算法 是由進化論和遺傳學機理而産生的搜索算法，所以在這個算法中會用到很多生物遺傳學知識，下面是我們將會用來的一些術語說明：
---------來個例子，大傢好理解------------
遺傳算法 的人工生命模擬
遺傳算法 的人工生命模擬");
選擇(復製)：
科學 光學 分光光度法 模擬退火算法 退火算法 遺傳病 遺傳學 血型遺傳 遺傳所 量子計算
量子遺傳算法 遺傳算法定義 遺傳算法特點 遺傳算法實例 遺傳算法的應用 遺傳算法的現狀 模擬退火遺傳算法 機械優化設計遺傳算法 遺傳算法的數學基礎 遺傳算法的一般算法 交互式遺傳算法 原理及其應用 協同進化遺傳算法 理論及應用