文档介绍：智能控制第版遗传算法
遗传算法简称GA（Genetic Algorithms）是1962年由美国Michigan大学 Holland教授提出 模拟自然界遗传机制和生物进化论而成 一个并行随机搜索最优化方法。
遗传算法是以达尔文 自然选择学说为基础发展起来 。自然选择学说包含以下三个方面:
（1）遗传: 这是生物 普遍特征, 亲代把生物信息交给子代, 子代总是和亲代含有相同或相同 性状。生物有了这个特征, 物种才能稳定存在。
（2）变异: 亲代和子代之间以及子代 不一样个体之间 差异, 称为变异。变异是随机发生 , 变异 选择和积累是生命多样性 根源。
（3）生存斗争和适者生存: 含有适应性变异 个体被保留下来, 不含有适应性变异 个体被淘汰, 经过一代代 生存环境 选择作用, 性状逐步逐步与祖先有所不一样, 演变为新 物种。
遗传算法将“优胜劣汰, 适者生存” 生物进化原理引入优化参数形成 编码串联群体中, 按所选择 适应度函数并经过遗传中 复制、交叉及变异对个体进行筛选, 使适适应度高 个体被保留下来, 组成新 群体, 新 群体既继承了上一代 信息, 又优于上一代。这么周而复始, 群体中个体适应度不停提升, 直到满足一定 条件。遗传算法 算法简单, 可并行处理, 并能到全局最优解。
遗传算法 基础操作为:
（1）复制（Reproduction Operator）
复制是从一个旧种群中选择生命力强 个体位串产生新种群 过程。含有高适应度 位串更有可能在下一代中产生一个或多个子孙。
复制操作能够经过随机方法来实现。首先产生0~1之间均匀分布 随机数, 若某串 复制概率为40%, 则当产生 ~, 该串被复制, 不然被淘汰。
（2）交叉（Crossover Operator）
复制操作能从旧种群中选择出优异者, 但不能发明新 染色体。而交叉模拟了生物进化过程中 繁殖现象, 经过两个染色体 交换组合, 来产生新 优良品种。
交叉 过程为: 在匹配池中任选两个染色体, 随机选择一点或多点交换点位置; 交换双亲染色体交换点右边 部分, 即可得到两个新 染色体数字串。
交杈表现了自然界中信息交换 思想。交叉有一点交叉、多点交叉、还有一致交叉、次序交叉和周期交叉。一点交叉是最基础 方法, 应用较广。它是指染色体切断点有一处, 例:
（3）变异(Mutation Operator)
变异运算用来模拟生物在自然 遗传环境中因为多种偶然原因引发 基因突变, 它以很小 概率随机地改变遗传基因（表示染色体 符号串 某一位） 值。在染色体以二进制编码 系统中, 它随机地将染色体 某一个基因由1变为0, 或由0变为1。
若只有选择和交叉, 而没有变异, 则无法在初始基因组合以外 空间进行搜索, 使进化过程在早期就陷入局部解而进入终止过程, 从而影响解 质量。为了在尽可能大 空间中取得质量较高 优化解, 必需采取变异操作。
遗传算法 特点
（1）遗传算法是对参数 编码进行操作, 而非对参数本身, 这就是使得我们在优化计算过程中能够借鉴生物学中染色体和基因等概念, 模仿自然界中生物 遗传和进化等机理;
（2）遗传算法同时使用多个搜索点 搜索信息。传统 优化方法往往是从解空间 单个初始点开始最优解 迭代搜索过程, 单个搜索点所提供 信息不多, 搜索效率不高, 有时甚至使搜索过程局限于局部最优解而停滞不前。