1、 遗传算法的改进

（1）

自适应遗传算法

（2）CHC

算法

（3）

基于小生境技术的遗传算法

（4）

退火进化算法

 

2、 遗传算法的应用

 

（1）

解决带约束的函数优化问题

（2）

解决多目标优化问题

（3）

解决组合优化问题

（4）

遗传算法在过程建模中的应用

（5）

遗传算法在模式识别中的应用

 

3、遗传算法的原理

 

遗传算法(GA)是模拟生物在自然环境下的遗传和进化过程而形成的一种

自适应全局优化概率搜索方法。其采纳了

自然进化模型，从代表问题可能潜在解集的一个

种群开始，种群由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体；初始种群产生后，按照

适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解：

（1）在每一代，概据问题域中个体的适应度大小挑选个体；

（2）并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。

（3）这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解。

 基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。

 

  

4、遗传算法的特点

遗传算法的

本质并行性。

   ·首先，遗传算法并行的方式从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。

   ·其次，算法内含并行性，遗传算法采用种群方式组织搜索，因而可同时搜索妥空间的多个区域(n-n3)，并相互交流信息，能以较小的计算获得较大的收益。

遗传算法基本上

不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

遗传算法

不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。

具有

自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

遗传算法可更

直接的应用，对给定的问题，可以产生许多潜在解，最终选择可以由使用者指定，通用性高，应用范围广。

  

5、遗传算法在交通中的应用

(1)解决带约束的函数优化问题

    交通规划

(2)解决多目标优化问题

    交通信号控制

(3)解决组合优化问题(TSP问题)

   

TSP

问题

(4)遗传算法在过程建模中的应用

   

BP

、模糊等参数优化

(5)在模式识别中的应用

   

图像处理