【正文】 hat this optimization calculation has advantages of simple programminglanguage,flexible usage and high efficiency in Matlab language. The algorithm iscorrect and feasible by simulated authentication.Keywords: Geic algorithm； Matlab；Optimization 目 錄1 引言 12 文獻綜述 1 國內(nèi)外研究現(xiàn)狀及評價 ???????????????????????????????????????????????????????????????????????????????????????????????????1 提出問題 ???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????23 遺傳算法的理論研究 2 遺傳算法的產(chǎn)生背景 ???????????????????????????????????????????????????????????????????????????????????????????????????????2 遺傳算法的起源與發(fā)展 ???????????????????????????????????????????????????????????????????????????????????????????????????3 遺傳算法的起源???????????????????????????????????????????????????????????????????????????????????????????????????????????????3 遺傳算法的發(fā)展???????????????????????????????????????????????????????????????????????????????????????????????????????????????3 遺傳算法的數(shù)學基礎(chǔ)研究 ???????????????????????????????????????????????????????????????????????????????????????????????4 遺傳算法的組成要素 ???????????????????????????????????????????????????????????????????????????????????????????????????????6 遺傳算法的基本原理 ???????????????????????????????????????????????????????????????????????????????????????????????????????7 遺傳算法在實際應用時采取的一般步驟 ???????????????????????????????????????????????????????????????????????8 遺傳算法的基本流程描述 ???????????????????????????????????????????????????????????????????????????????????????????????9 遺傳算法的特點 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????10 遺傳算法的改進 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????11 遺傳算法的應用領(lǐng)域 ????????????????????????????????????????????????????????????????????????????????????????????????????124 基于 MATLAB 的遺傳算法實現(xiàn) 145 遺傳算法的函數(shù)優(yōu)化的應用舉例 176 結(jié)論 18 主要發(fā)現(xiàn) ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????18 啟示 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????18 局限性 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????19 努力的方向 ?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????19參考文獻 20致　謝 21附 錄 2211 引言遺傳算法(Geic Algorithm)是模擬自然界生物進化機制的一種算法即遵循適者生存、優(yōu)勝劣汰的法則也就是尋優(yōu)過程中有用的保留無用的則去除. 在科學和生產(chǎn)實踐中表現(xiàn)為在所有可能的解決方法中找出最符合該問題所要求的條件的解決方法即找出一個最優(yōu)解. 這種算法是1960年由Holland提出來的其最初的目的是研究自然系統(tǒng)的自適應行為并設(shè)計具有自適應功能的軟件系統(tǒng). 它的特點是對參數(shù)進行編碼運算不需要有關(guān)體系的任何先驗知識沿多種路線進行平行搜索不會落入局部較優(yōu)的陷阱，能在許多局部較優(yōu)中找到全局最優(yōu)點是一種全局最優(yōu)化方法 [13]. 近年來，遺傳算法已經(jīng)在國際上許多領(lǐng)域得到了應用. 該文將從遺傳算法的理論和技術(shù)兩方面概述目前的研究現(xiàn)狀描述遺傳算法的主要特點、基本原理以及改進算法，介紹遺傳算法的應用領(lǐng)域，并用MATLAB實現(xiàn)了遺傳算法及最優(yōu)解的求解.2 文獻綜述 國內(nèi)外研究現(xiàn)狀及評價國內(nèi)外有不少的專家和學者對遺傳算法的進行研究與改進. 比如：1991年（ADJACENCY BASED CROSSOVER） ，這個算子是特別針對用序號表示基因的個體的交叉，并將其應用到了TSP問題中，通過實驗對其進行了驗證. 2022年，戴曉明等應用多種群遺傳并行進化的思想，對不同種群基于不同的遺傳策略，如變異概率，不同的變異算子等來搜索變量空間，并利用種群間遷移算子來進行遺傳信息交流，以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問題. 國內(nèi)外很多文獻都對遺傳算法進行了研究. 現(xiàn)查閱到的國內(nèi)參考文獻[119]中, 周勇、周明分別在文獻[1]、[2]中介紹了遺傳算法的基本原理；徐宗本在文獻[3]中探討了包括遺傳算法在內(nèi)的解全局優(yōu)化問題的各類算法，文本次論文寫作提出了明確的思路；張文修、王小平、張鈴分別在文獻[4]、[5]、[6]從遺傳算法的理論和技術(shù)兩方面概述目前的研究現(xiàn)狀；李敏強、吉根林、玄光南分別在文獻[7]、[8]、[9]中都不同程度的介紹了遺傳算法的特點以及改進算法但未進行深入研究；馬玉明、張麗萍、戴曉輝、柴天佑分別在文獻[10]、[11]、[12]、[13]中探討了遺傳算法產(chǎn)生的背景、起源和發(fā)展；李敏強、徐小龍、林丹、張文修分別在文獻[14]、[15]、[16]、[17]探討了遺傳算法的發(fā)展現(xiàn)狀及以后的發(fā)展動向；李敏強，寇紀凇，林丹，李書全在文獻2[18]中主要論述了遺傳算法的具體的實施步驟、應用領(lǐng)域及特點；孫祥，徐流美在文獻[19]中主要介紹了Matlab的編程語句及基本用法. 所有的參考文獻都從不同角度不同程度的介紹了遺傳算法但都不夠系統(tǒng)化不夠詳細和深入. 提出問題隨著研究的深入，人們逐漸認識到在很多復雜情況下要想完全精確地求出其最優(yōu)解既不可能，也不現(xiàn)實，因而求出近似最優(yōu)解或滿意解是人們的主要著眼點之一. 很多人構(gòu)造出了各種各樣的復雜形式的測試函數(shù)，有連續(xù)函數(shù)，有離散函數(shù)，有凸函數(shù)，也有凹函數(shù)，人們用這些幾何特性各異的函數(shù)來評價遺傳算法的性能. 而對于一些非線性、多模型、多目標的函數(shù)優(yōu)化問題用其他優(yōu)化方法較難求解遺傳算法卻可以方便地得到較好的結(jié)果. 鑒于遺傳算法在函數(shù)優(yōu)化方面的重要性，該文在參考文獻[119]的基礎(chǔ)上，用Matlab語言編寫了遺傳算法程序, 并通過了調(diào)試用一個實際例子來對問題進行了驗證，這對在Matlab環(huán)境下用遺傳算法來解決優(yōu)化問題有一定的意義.3 遺傳算法的理論研究 遺傳算法的產(chǎn)生背景科學研究、工程實際與國民經(jīng)濟發(fā)展中的眾多問題可歸結(jié)作“極大化效益、極小化代價”這類典型模型. 求解這類模型導致尋求某個目標函數(shù)（有解析表達式或無解析表達式）在特定區(qū)域上的最優(yōu)解. 而為解決最優(yōu)化問題目標函數(shù)和約束條件種類繁多，有的是線性的，有的是非線性的；有的是連續(xù)的，有的是離散的；有的是單峰值的，有的是多峰值的. 隨著研究的深入，人們逐漸認識到：在很多復雜情況下要想完全精確地求出其最優(yōu)解既不可能，也不現(xiàn)實，因而求出近似最優(yōu)解或滿意解是人們的主要著眼點之一. 總的來說，求最優(yōu)解或近似最優(yōu)解的方法有三種: 枚舉法、啟發(fā)式算法和搜索算法.(1)枚舉法. 枚舉出可行解集合內(nèi)的所有可行解以求出精確最優(yōu)解. 對于連續(xù)函數(shù)，該方法要求先對其進行離散化處理，這樣就有可能產(chǎn)生離散誤差而永遠達不到最優(yōu)解. 另外，當枚舉空間比較大時該方法的求解效率比較低，有時甚至在目前最先進的計算工具上都無法求解.(2)啟發(fā)式算法. 尋求一種能產(chǎn)生可行解的啟發(fā)式規(guī)則以找到一個最優(yōu)解或近似最3優(yōu)解. 該方法的求解效率雖然比較高，但對每一個需要求解的問題都必須找出其特有的啟發(fā)式規(guī)則，這個啟發(fā)式規(guī)則無通用性不適合于其它問題.(3)搜索算法. 尋求一種搜索算法，該算法在可行解集合的一個子集內(nèi)進行搜索操作以找到問題的最優(yōu)解或近似最優(yōu)解. 該方法雖然保證了一定能夠得到問題的最優(yōu)解，但若適當?shù)乩靡恍﹩l(fā)知識就可在近似解的質(zhì)量和求解效率上達到一種較好的平衡.隨著問題種類的不同以及問題規(guī)模的擴大，要尋求一種能以有限的代價來解決上述最優(yōu)化問題的通用方法仍是一個難題. 而遺傳算法卻為我們解決這類問題提供了一個有效的途徑和通用框架開創(chuàng)了一種新的全局優(yōu)化搜索算法. 遺傳算法的起源與發(fā)展 遺傳算法的起源50年代末到60年代初，自然界生物進化的理論被廣泛接受生物學家Fraser，試圖通過計算的方法來模擬生物界“遺傳與選擇”的進化過程，這是遺傳算法的最早雛形. 受一些生物學家用計算機對生物系統(tǒng)進行模擬的啟發(fā)，Holland開始應用模擬遺傳算子研究適應性. 在1967年，Bagley關(guān)于自適應下棋程序的論文中，他應用遺傳算法搜索下棋游戲評價函數(shù)的參數(shù)集并首次提出了遺傳算法這一術(shù)語. 1975年，Holland出版了遺傳算法歷史上的經(jīng)典著作《自然和人工系統(tǒng)中的適應性》，首次明確提出遺傳算法的概念. 該著作中系統(tǒng)闡述了遺傳算法的基本理論和方法，并提出了模式(schemat atheorem)[4]，證明在遺傳算子選擇、交叉和變異的作用下具有低階、短定義距以及平均適應度高于群體平均適應度的模式在子代中將以指數(shù)級增長. Holand創(chuàng)建的遺傳算法，是基于二進制表達的概率搜索方法. 在種群中通過信息交換重新組合新串；根據(jù)評價條件概率選擇適應性好的串進入下一代；經(jīng)過多代進化種群最后穩(wěn)定在適應性好的串上. Holand最初提出的遺傳算法被認為是簡單遺傳算法的基礎(chǔ)，也稱為標準遺傳算法. 遺傳算法的發(fā)展(1)20世紀60年代，John Holland教授和他的數(shù)位博士受到生物模擬技術(shù)的啟發(fā)，認識到自然遺傳可以轉(zhuǎn)化為人工遺傳算法. 1962年，John Holland提出了利用群體進化模擬適應性系統(tǒng)的思想，引進了群體、適應值、選擇、變異、交叉等基本概念.(2)1967年，“遺傳算法”的概念.(3)1975年，Holland出版了《自然與人工系統(tǒng)中的適應性行為》（Adaptation in 4Natural and Artificial System）.該書系統(tǒng)地闡述了遺傳算法的基本理論和方法，提出了遺傳算法的基本定理—模式定理，從而奠定了遺傳算法的理論基礎(chǔ). 同年De Jong在其博士論文中，首次把遺傳算法應用于函數(shù)優(yōu)化問題對遺傳算法的機理與參數(shù)進行了較為系統(tǒng)地研究并建立了著名的五函數(shù)測試平臺.(4)20世紀80年代初，Holland教授實現(xiàn)了第一個基于遺傳算法的機器學習系統(tǒng)—分類器系統(tǒng)（Classifier System簡稱CS），開創(chuàng)了基于遺傳算法的機器學習的新概念.(5)1989年，David Goldberg出版了《搜索、優(yōu)化和機器學習中的遺傳算法》（Geic Algorithms in Search Optimization and Machine Learning）.該書全面系統(tǒng)地總結(jié)了當時關(guān)于遺傳算法的研究成果，