摘 要：通過介紹遺傳算法的基本概念和基本原理，說明了遺傳算法應用領域，指出了遺傳算法在應用中的幾個關鍵問題，并介紹了遺傳算法研究新動向及存在的問題。

關鍵詞：遺傳算法；編碼機制；遺傳算子；適應度函數(shù)

1 遺傳算法的基本原理

遺傳算法類似于自然進化，通過作用于染色體上基因尋找最好的染色體來求解問題。與自然界相似，遺傳算法對求解問題的本身一無所知，它所需要的僅是對遺傳算法所產(chǎn)生的染色體有更多的繁殖機會。在遺傳算法中，通過隨機方式產(chǎn)生若干個所求解問題的數(shù)字編碼，即染色體，形成初始種群；通過適應度函數(shù)給每個個體一個數(shù)值評價，淘汰低適應度的個體，選擇高適應度的個體參加遺傳操作，經(jīng)過遺傳操作后的個體集合成下一代新的種群，對這個新種群進行下一輪進化。

2 遺傳算法的應用

遺傳算法在應用中最關鍵的問題有如下3 個。

（1）串的編碼方式。本質是問題編碼。一般把問題的各種參數(shù)用二進制編碼，構成子串；然后把子串拼接構成“染色體”串。串長度及編碼形式對算法收斂影響極大。

（2）適應函數(shù)的確定。適應函數(shù)（fitness function）也稱對象函數(shù)（object function），這是問題求解品質的測量函數(shù)；往往也稱為問題的“環(huán)境”。一般可以把問題的模型函數(shù)作為對象函數(shù)；但有時需要另行構造。

（3）遺傳算法自身參數(shù)設定。遺傳算法自身參數(shù)有3 個，即群體大小n、交叉概率Pc 和變異概率Pm。群體大小n 太小時難以求出最優(yōu)解， 太大則增長收斂時間。一般n=30-160。交叉概率Pc 太小時難以向前搜索，太大則容易破壞高適應值的結構。一般取Pc=0.25-0.75。變異概率Pm太小時難以產(chǎn)生新的基因結構，太大使遺傳算法成了單純的隨機搜索。一般取Pm=0.01-0.2。

遺傳算法的主要應用領域在于函數(shù)優(yōu)化（非線性、多模型、多目標等），機器人學（移動機器人路徑規(guī)劃、關節(jié)機器人運動軌跡規(guī)劃、細胞機器人的結構優(yōu)化等），控制（瓦斯管道控制、防避導彈控制、機器人控制等），規(guī)劃（生產(chǎn)規(guī)劃、并行機任務分配等），設計（VLSI 布局、通信網(wǎng)絡設計、噴氣發(fā)動機設計等），組合優(yōu)化（TSP 問題、背包問題、圖分劃問題等），圖像處理（模式識別、特征提取、圖像恢復等），信號處理（濾波器設計等），人工生命（生命的遺傳進化等）。

3 遺傳算法的研究新動向

3.1 基于遺傳算法的機器學習

這一新的研究方向把遺傳算法從歷史離散的搜索空間的優(yōu)化搜索算法擴展到具有獨特的規(guī)則生成功能嶄新的機器學習算法。這一新的學習機制對于解決人工智能中知識獲取和知識優(yōu)化精煉的瓶頸難題帶來了希望。遺傳算法作為一種搜索算法從一開始就與機器學習有著密切聯(lián)系。分類器系統(tǒng)CS-1 是GA 的創(chuàng)立Holland 教授等實現(xiàn)的第一個基于遺傳算法的機器學習系統(tǒng)。分類器系統(tǒng)在很多領域都得到了應用。例如，分類器系統(tǒng)在學習式多機器人路徑規(guī)劃系統(tǒng)中得到了成功應用；Goldberg 研究了用分類器系統(tǒng)來學習控制一個煤氣管道仿真系統(tǒng)；Wilson 研究了一種用于協(xié)調(diào)可移動式視頻攝像機的感知運動的分類器系統(tǒng)等。

3.2 遺傳算法與其他計算智能方法的相互滲透和結合

遺傳算法正日益和神經(jīng)網(wǎng)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，以達到取長補短的作用。近年來在這方面已經(jīng)取得了不少研究成果，并形成了“計算智能”的研究領域， 這對開拓21 世紀中新的智能計算技術具有重要意義。GA 的出現(xiàn)使神經(jīng)網(wǎng)絡的訓練（包括連接權系數(shù)的優(yōu)化、網(wǎng)絡空間結構的優(yōu)化和網(wǎng)絡的學習規(guī)劃優(yōu)化）有了一個嶄新的面貌，目標函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問題可計算，而且搜索始終遍及整個解空間，因此容易得到全局最優(yōu)解。

3.3 并行處理的遺傳算法

并行處理的遺傳算法的研究不僅是遺傳算法本身的發(fā)展，而且對于新一代智能計算機體系結構的研究都是十分重要的。GA 在操作上具有高度的并行性，許多研究人員都在探索在并行機上高效執(zhí)行GA 的策略。研究表明，只要通過保持多個群體和恰當?shù)乜刂迫后w間的相互作用來模擬并執(zhí)行過程，即使不使用并行計算機，我們也能提高算法的執(zhí)行效率。在并GA 的研究方面，一些并GA 模型已經(jīng)被人們在具體的并行機上執(zhí)行了；并行GA 可分為兩類：一類是粗粒度并行GA，主要開發(fā)群體間的并行性；另一類是細粒GA，主要開發(fā)一個群體中的并行性。

3.4 遺傳算法與人工生命的滲透

人工生命是用計算機、機械等人工媒體模擬或構造出的具有自然生物系統(tǒng)特有行為的人造系統(tǒng)，人工生命與遺傳算法有著密切的關系，基于遺傳算法的進化模型是研究人工生命現(xiàn)象的重要理論基礎。雖然人工生命的研究尚處于啟蒙階段，但遺傳算法已在其進化模型、學習模型、行為模型、自組織模型等方面顯示出了初步的應用能力，并且必將得到更為深入的應用和發(fā)展。人工生命與遺傳算法相輔相成，遺傳算法為人工生命的研究提供了一個有效的工具，人工生命的研究也必將促進遺傳算法的進一步發(fā)展。

3.5 遺傳算法與進化規(guī)則及進化策略的結合

遺傳算法、進化規(guī)則及進化策略是演化計算的3 個主要分支，這3 種典型的進化算法都以自然界中生物的進化過程為自適應全局優(yōu)化搜索過程的借鑒對象，所以三者之間有較大的相似性；另一方面，這3 種算法又是從不完全相同的角度出發(fā)來模擬生物進化過程，分別是依據(jù)不同的生物進化背景、不同的生物進化機制而開發(fā)出來的，所以三者之間也有一些差異。隨著各種進化計算方法之間相互交流深入，以及對各種進化算法機理研究的進展，要嚴格地區(qū)分它們既不可能、也沒有必要。在進化計算領域內(nèi)更重要的工作是生物進化機制，構造性能更加優(yōu)良、適應面更加廣泛的進化算法。

參考文獻

[1]張文修，梁怡.遺傳算法的教學基礎[M].西安：西安交通大學出版社，2000.

[2]余建坤，張文彬，陸玉昌.遺傳算法及其應用[J].云南民族學院學報，2002（4）.

[3]蔡自興，徐光.人工智能及應用[M].北京：清華大學出版社，2003.

[4]蔣騰旭.智能優(yōu)化算法概述[J].電腦知識與技術，2007（8）.

[5]任慶生，葉中行.遺傳算法中常用算子的分析[J].電子學報，2005（5）.

作者簡介

溫歡（1985-），江西南昌人，江西科技學院商學院教務處，本科，研究方向：應用數(shù)學