第一章遗传算法概述
遗传算法Ge
eticAlgorithm，简称GA起源于对生物系统所进行的计算机模拟研究。美国Michiga
大学的Holla
d教授及其学生受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术遗传算法。1967年，Holla
d的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。Holla
d教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本定理模式定理SchemaTheorem，并于1975年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptatio
i
NaturalLa
dArtificialSystems》。80年代，Holla
d教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。1975年，DeJo
g基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。1989年，Goldberg出版了《Ge
eticAlgorithmi
Search，Optimizatio
a
dMachi
eLear
i
g》一书，系统地总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及其应用。1991年，Davis出版了《Ha
dbookofGe
eticAlgorithms》一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程Ge
eticProgrammi
g，简称GP的概念。遗传算法被众多的使用者证明在控制系统的离线设计方面是有效的策略。例如，Krish
akumar和Goldberg以及Bramlette和Cusi
已证明使用遗传优化方法在太空应用中导出优异的控制器结构比使用传统方法如LQR和Powell鲍威尔的增音机设计所用的时间要少功能评估。Porter和Mohamed展示了使用本质结构分派任务的多变量飞行控制系统的遗传设计方案。与此同时，另一些人证明了遗传算法怎么能在控制器结构的选择中使用。
从遗传算法的整个发展过程来看，70年代是兴起阶段，80年代是发展阶段，90年代是高潮阶段。遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，已引起国内外学者的高度重视。
11遗传算法概念
生物的进化Evolutio
过程主要是通过染色体之间的交叉和变异来完成的。基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的编码方式来模仿不同r