下载掌阅APP，畅读海量书库
立即打开
遗传算法（Genetic Algorithm，GA）是群智能优化算法中应用最为广泛、最为成功且最具代表性的算法之一，是通过模拟生物在自然环境中的遗传（Genetic）和进化（Evolution）过程而形成的自适应全局优化搜索算法。它借鉴了达尔文的进化论和孟德尔的遗传学说有关观点，通过遗传变异和自然选择等作用机制实现对复杂优化问题最优解的搜索。与传统的优化算法相比，遗传算法对参数的编码操作不需要推导和附加信息，其寻优规则具有非确定性、自组织性、自适应性和自学习性等特点。
遗传算法最早由美国密执安大学的J.H.Holland教授提出，起源于20世纪60年代对自然和人工自适应系统的研究。70年代，K.A.De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算试验。80年代，遗传算法在一系列研究工作的基础上，由D.E.Goldberg归纳总结而成。90年代以后，遗传算法作为一种高效、实用、鲁棒性强的优化技术，发展极为迅速，在机器学习、模式识别、神经网络、控制系统优化及社会科学等不同领域得到广泛应用，引起了许多学者的广泛关注。进入21世纪，以不确定性、非线性、自组织、自适应为内涵的复杂性科学成为一个研究热点。遗传算法在求解NP问题及非线性多峰函数优化、多目标优化问题等方面成效明显，受到了众多学者的高度重视，同时也极大地推动了遗传算法理论研究不断深入和应用领域不断扩展。