度值来造反染色体，使适用性好的染色体比适应性差的染色体有更多的繁殖机会。［2］遗传算法中的一些名词：群体（populatio
）：又称种群、染色体群，个体（i
dividual）的集合，代表问题的解空间子集。串（stri
g）及串空间：串是个体的表达形式，对应着遗传学中的染色体。对应实际问题的一个解。群体规模（populatio
size）：染色体群中个体的数目称为群体的大小或群体规模。基因（ge
e）：是指染色体的一个片段，基因可以是一个数值、一组数或一串字符。交换（crossover）：指在一定条件下两条染色体上的一个或几个基因相互交换位置。交换概率：判断是否满足交换条件的一个小于1的阀值。变异（mutatio
）：指在一定条件下随机改变一条染色体上的一个或几个基因值变异概率：判断是否满足变异条件的一个小于1的阀值。后代：染色体经过交换或变异后形成的新的个体。适应度（fit
ess）：用来度量种群中个体优劣（符合条件的程度）的指标值，它通常表现为数值形式。选择（selectio
）：根据染色体对应的适应值和问题的要求，筛选种群中的染色体，染色体的适应度越高，保存下来的概率越大，反之则越小，甚至被淘汰。适者生存在算法停止时，最优目标值的解有最大的可能被留住个体（i
dividual）解染色体（chromosome）解的编码（字符串、向量等）
5
f苏州大学本科生毕业设计（论文）
基因（ge
e）接种每一分量的特征（如各分量的值）适应性（fit
ess）适应函数值群体（populatio
）选定的一组解种群（reproductio
）根据适应函数值选取的一组解交配（crossover）用过交换原则产生的一组新解的过程变异（mutatio
）编码的某一个分量发生变化的过程［3］
13遗传算法的原理和特点
遗传算法是一种基于生物进化进化原理构想出来的搜索最优解的仿生方法，它模拟基因重组与进化的自然过程，把待解决的问题的参数编程二进制码或十进制码（也可以编成其它进制码）即基因，若干基因组成一干染色体（个体），许多染色体进行类似于自然选择、配对交叉和变异的运算，经过多次重复迭代（即世代遗传）直到得到最后的优化结果。习惯上，适应度值越大，表示解的质量越好。对于求解最小值问题，可通过变换为求解最大值问题。遗传算法以群体为基础，不是以单点搜索为基础，能同时从不同点获得极值，因此不易陷入局部最优；遗传算法是对问题变量的编码集进行操作，而不是变量本身，有效的避免了对变量的微分操作运算；遗传算法只是利用目标函数来区别群体中的个体上的好坏而不必对其进行r