遗传算法及其应用实例
遗传算法搜索最优解的方法是模仿生物的进化过程，即通过选择与染色体之间的交叉和变异来完成的。遗传算法主要使用选择算子、交叉算子与变异算子来模拟生物进化，从而产生一代又一代的种群
Xt。
1．遗传算法的简单原理遗传算法Ge
eticAlgorithmGA是一种基于自然群体遗传演化机制的高效探索算法，它摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作（遗传，交叉和变异），根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式来搜索优化群体中的最优个体，求得满足要求的最优解。遗传算法主要是用来寻优，它具有很多优点：它能有效地避免局部最优现象，有及其顽强的鲁棒性，并且在寻优过程中，基本不需要任何搜索空间的知识和其他辅助信息等等。利用遗传算法，可以解决很多标准优化算法解决不了的优化问题，其中包括目标函数不连续、不可微、高度非线性或随机的优化问题。
（1）选择算子：是模拟自然选择的操作，反映“优胜劣汰”原理。它根据每一个个体的适应度，按照一定规则或方法，从t代种群
Xt中选择出一些优良的个体（或作为母体，或让其遗传到下一代种
群Xt1）。（2）交叉算子：是模拟有性繁殖的基因重组操作，它将从种群
Xt所选择的每一对母体，以一定的交叉概率交换它们之间的部分基
因。（3）变异算子：是模拟基因突变的遗传操作，它对种群Xt中的每一个个体，以一定的变异概率改变某一个或某一些基因座上的基因值为其他的等位基因。交叉算子与变异算子的作用都在于重组染色体基因，以生成新的个体。
f遗传算法的运算过程如下：步1（初始化）确定种群规模N，交叉概率Pc，变异概率Pm和终止进化准则；随机生成N个个体作为初始种群X0；置t0。步2（个体评价）计算评估Xt中各个体的适应度。步3（种群进化）31选择（母体）从Xt中运用选择算子选择出M2对母体（MN）。32交叉对所选择的M2对母体，以概率Pc执行交叉，形成M个中间个体。33变异对M个中间个体分别独立以概率Pm执行变异，形成M个候选个体。34选择（子代）从上述所形成的M个候选个体中依据适应度选择r