目录 遗传算法 （genetic algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是有美国michigan大学j.holland教授于1975年首先提出来的，并出版了颇有影响的专著《adaptation in natural and artificial systems》，ga这个名称才逐渐为人所知，j.hilland教授所提出的ga通常为简单遗传算法 （sga）。
遗传算法 是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小挑选（_select_ion）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。 遗传算法 是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：
遗传算法 以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传算法 处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。
遗传算法 直接以适应度作为搜索信息，无需导数等其它辅助信息。
遗传算法 使用多个点的搜索信息，具有隐含并行性。
遗传算法 使用概率搜索技术，而非确定性规则。 由于遗传算法 的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法 提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面我们将介绍遗传算法 的一些主要应用领域：
遗传算法 的经典应用领域，也是遗传算法 进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法 可以方便的得到较好的结果。
遗传算法 是寻求这种满意解的最佳工具之一。实践证明，遗传算法 对于组合优化中的np问题非常有效。例如遗传算法 已经在求解旅行商问题、 背包问题、装箱问题、图形划分问题等方面得到成功的应用。
进入90年代，遗传算法 迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法 的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法 进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法 增添了新的活力。遗传算法 的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
遗传算法 的研究出现了几个引人注目的新动向：一是基于遗传算法 的机器学习，这一新的研究课题把遗传算法 从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法 正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法 的研究十分活跃。这一研究不仅对遗传算法 本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法 和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法 在这方面将会发挥一定的作用，五是遗传算法 和进化规划（evolution programming,ep）以及进化策略（evolution strategy,es）等进化计算理论日益结合。ep和es几乎是和遗传算法 同时独立发展起来的，同遗传算法 一样，它们也是模拟自然界生物进化机制的只能计算方法，即同遗传算法 具有相同之处，也有各自的特点。目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
遗传算法 相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，sigh比现存的许多算法在求解速度方面更有竞争力。
遗传算法 与单一方法（simplex method）结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三这交叉算子比其余两个有更好的性能。
遗传算法 的交叉算子进行改进。2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法 的收敛到局部最优值问题
遗传算法 在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法 （building-block coded parallel ga，bcpga）。该方法以粗粒度并行遗传算法 为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
遗传算法 求解tsp问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。 遗传算法 是基于生物学的，理解或编程都不太难。下面是遗传算法 的一般算法：
遗传算法 用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。
遗传算法 是由进化论和遗传学机理而产生的搜索算法，所以在这个算法中会用到很多生物遗传学知识，下面是我们将会用来的一些术语说明：
---------来个例子，大家好理解------------
遗传算法 的人工生命模拟
遗传算法 的人工生命模拟");
选择(复制)：
科学 光学 分光光度法 模拟退火算法 退火算法 遗传病 遗传学 血型遗传 遗传所 量子计算
量子遗传算法 遗传算法定义 遗传算法特点 遗传算法实例 遗传算法的应用 遗传算法的现状 模拟退火遗传算法 机械优化设计遗传算法 遗传算法的数学基础 遗传算法的一般算法 交互式遗传算法 原理及其应用 协同进化遗传算法 理论及应用