文档介绍：最优化技术基础
1、遗传算法概述

遗传算法的生物学背景
1859年达尔文发表《物种起源》,提出以自然选择为基础的生物进化论学说,认为生物进化发展主要有3个原因: 遗传、变异和选择。
生物遗传物质的主要载体是染色体。染色体主要是由DNA和蛋白质构成。其中DNA在染色体里含量稳定，结构也相对稳定，能够自我复制和产生可遗传的变异，是主要的遗传物质。而生物的性状遗传，主要是通过染色体上的基因遗传给后代的。基因是遗传物质的基本单位，又称遗传因子。
生物的变异有3种可能性：基因重组、基因突变和染色体变异。基因重组是指控制不同性状的基因的重新组合。基因突变是指基因内部的化学变化。每种生物的染色体无论结构或数目都是相对稳定的，但在自然或人为条件的作用下，染色体的结构和数目都可以发生变化，不过染色体数目的改变是染色体变异的一个主要方面。
由于生物进化论揭示了生物自然选择的进化发展规律，人们从中受到了启迪，生物进化论的自然选择过程蕴含着一种搜索和优化的先进思想，将这种思想用于科学研究和工程技术领域而发展起来的方法，称为遗传算法GA(Genetic Algorithm) ，这种算法为解决许多传统的优化方法难以解决的优化问题提供了崭新的途径。
目前，遗传算法发展迅速，已被广泛应用于解决各种问题，例如，系统优化、机器学习、工程控制、模式识别、人工智能、故障诊断以及计算机技术等领域，取得了良好的效果。随着遗传算法的基本原理、方法及其应用技巧的深入研究，其应用范围也越来越广泛，几乎渗透到从工程到社会科学的诸多领域，必须要编制遗传算法的程序进行计算。使用者希望找一个现成的程序，MA TLAB 的遗传算法工具箱正好满足要求。
Matlab语言有着丰富的由世界著名专家、学者开发出的各种工具箱，Matlab 的优化工具箱提供了对各种优化问题的解决方案，遗传算法优化工具箱就是其中之一。采用MATLAB遗传算法优化工具箱，不仅具有简单、易用、易于修改的特点，而且为解决许多传统搜索的优化方法难以解决的非线性、多峰值之类的复杂问题提供了有效的途径。遗传算法的研究和应用具有很好的应用前景。
遗传算法的特点

①遗传算法处理的是待求问题变量的编码，而不是变量的本身。
②遗传算法使用概率规则而不是确定性规则指导搜索，只要一个适应度函数值，而不必要求其他辅助信息，诸如连续性、导数存在和单峰等，因而具有极好的鲁棒性和广泛的适应性。
③遗传算法通过控制群体中N个数字串，能处理各代中大量的模式，在每一代中被处理的模式数目大概是N3，这一切在群体中并行进行的，也就是说，遗传算法同时搜索解空间中许多个点而不是一个点，因而能够快速全局收敛。遗传算法这种隐含的并行性是它区别于其他优化方法最主要的因素。
④遗传算法像撒网一样，在变量空间中进行寻优，由N个数字串组成的群体在遗传因子的作用下，同时对空间中不同的区域进行充分搜索，从而构成一个不断优化的群体序列。遗传算法是通过保持在解空间不同区域中各个点的搜索，而不是盲目地穷举或瞎碰，故相对其他优化方法而言，遗传算法能以很大的概率找到优化问题的全局最优解。
遗传算法的基本步骤
GA是基于生物自然选择与遗传机理的一种随机搜索算法，与传统搜索算法不同，GA从一组随机产生的称为“种群(population)”的初始解开始嫂索过程。种群中的每个个体是问题的一个解，称为“染色体(chromosome)”。染色体是一串符号，比如一个二进制字符串。这些染色体在后续迭代中不断进化，称为遗传。在每一代中用“适值(fitness)”来测量染色体的好坏，生成的下一代染色体称为后代(offspring)。后代是由前一代染色体通过交叉(crossover)或者变异(mutation)运算形成的。在新一代形成过程中，根据适值的大小选择部分后代，淘汰部分后代．从而保持种群大小是常数。适值高的染色体被选中的概率较高，这样经过若干代之后．算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。
GA基本构成要素
输入参数: 染色体个数N , 交叉概率P c, 变异概率Pm ;
通过初始化过程产生N 个染色体;
计算所有染色体的评价函数;
根据评价函数抽样选择染色体;
对染色体进行交叉和变异操作;
重复若干次(下一代的代数) 计算评价函数、选择、交叉和变异.
设计表示问题的染色体
生成初始染色体
计算每个