遗传算法理论研究及其应用

范爽

（大连市第八中学，辽宁 大连 116000）

遗传算法理论研究及其应用

范爽

（大连市第八中学，辽宁 大连 116000）

近年来，随着社会经济的发展和科学技术的不断进步，遗传算法也处于兴盛发展时期，无论是理论研究，还是应用研究，都深受科学家的关注。遗传算法是以生物学为基础，遗传操作就是模拟生物基因遗传的做法。简要论述了遗传算法的理论内容及其应用情况，以期为日后相关研究提供参考。

遗传算法；生物学；生物基因；自动控制

1 遗产算法的产生

1975年，John H.Holland教授首先提出了遗传算法，它是模拟达尔文生物进化论的自然选择、适者生存、自然淘汰的生物进化过程的计算模型。后来的科学家基本沿用了Holland教授的理论体系来探索生物学和计算机科学。遗传算法不仅以达尔文的进化学说为基础，还借鉴了孟德尔的选择学说和摩尔根的遗传学说。达尔文认为，生物体普遍存在变异，两个个体之间一定存在差异，即使是同一种群。一切生命形态发生、发展的演变，从低级到高级，都需要经历漫长的过程。生物体的繁殖能力普遍比较高，有繁殖过剩的趋势，但是，容纳生物体的空间和赖以生存的食物都是有限的，因此，各种生物之间必须经过激烈的斗争才能存活。生物体不仅要与其他种群、同一种群的生物体做斗争，还要与无机环境做斗争。不同生物体的竞争能力不同，一般来说，能力强的生物体生存概率高，繁衍后代的机会也更大；反之，在生存斗争的竞争中，有利的变异得以保存，不利的将淘汰。但是，一旦环境发生改变，原来有利的个体可能就会变成不利的个体。孟德尔的选择学说将遗传物质比喻成了一个个粒子，生物体杂交时决定父母双方性质的是某种单位化的粒子状物质分离、自由组合。摩尔根继孟德尔的研究后发现，在生殖细胞形成的过程中，同一染色体上可能具有不止一对的基因，而这些基因是作为一个单位进行传递的。总之，自然界选择的根本原则就是优胜劣汰。孟德尔、摩尔根提出来的分离定律、自由组合定律、连锁与互换定律被称为遗传学的三大定律，它们指导着遗传理论研究的发展。John H.Holland教授及其学生提出的遗传算法就是想要搜索一种最优解的随机化方法，这种方法的特点为：①从问题解的串集开始搜索，而不是从单个解开始；②同时处理群体中的多个个体；③不用搜索其他辅助信息；④采用概率的变迁规则；⑤自行组织搜索；⑥在进化过程中自动调整算法控制参数和编码精度。这些特点让遗传算法区别于传统的运算方法，如今，遗传算法的应用可谓相当广泛，基本存在于人们的生活中。

2 遗传算法的基本执行过程

一切生命形态发生、发展的演变过程都需满足以下4个要求：①该生物数量足够多，可以构成一个种群。②各个生物体之间存在不同。③生物体拥有繁衍生殖的能力。④当环境改变时，不同生物体对环境的适应度不同，存活的概率也不同。一般来说，适宜能力强的生物体生存概率高，繁衍后代的机会也更大。

综上所述，一切生命形态发生、发展的演变都需要经历3个过程：①自然界的生物经过激烈的生存斗争，适应者生存下来，不适应者被淘汰掉；②同一种群、不同个体之间交配，生衍繁殖；③由于环境改变等因素产生的基因变异。

Holland教授对遗传算法的理论研究贡献巨大，他建立了遗传算法的运行的基本框架，后来的理论研究基本沿用了Holland教授的理论体系，并加以改进。遗传算法求解问题过程如图1所示。

3 遗传算法的应用

3.1 自动控制领域

在自动控制领域，遗传算法发挥了巨大的作用，它不仅可以解决系统参数辨识问题，改善机器的自动识别能力，还可以优化控制器参数。Karr等编程自适应模糊逻辑控制器时就应用了遗传算法计算；Es-posito则在Karr研究的基础上，在研究RBF网络时也应用了遗传算法，优化了RBF神经网络；Vesin等应用遗传算法改善了RBF神经网络的结构和权值，基本实现了RBF的完全优化。在另一研究方面，外国科学家Fonesca在设计磁悬浮列车控制器时应用了遗传算法，成功改善了控制器的功能；我国科学家颜文俊等人也基于遗传算法提出了另一套设计方案优化鲁棒控制器。

图1 遗传算法求解问题过程

3.2 在组合最优化问题方面

组合（最）优化问题是最优化问题的一类，它研究连续变量和离散变量，它的目标是从组合问题的可行解中集中求出最优解。组合优化看似简单，实则不然，求解组合优化问题不仅需要大量的运行时间，还需要极大的存储空间，现有的计算机还不能达到解决组合优化的标准，即所谓的“组合爆炸”。遗传算法在组合优化上的运用比较广泛。

3.3 在多目标函数优化问题方面

多目标优化问题是先由经济学家V.Pareto在研究经济平衡时提出的，并且引进和推广了Pareto最优解。多目标优化问题简称“MOP”，它的目标函数有2个或2个以上。多目标规划问题的有效解称为“Pareto最优解”。以前的多目标优化算法耗时长、计算量大，已经不能满足社会经济的发展，随着计算机科学与生命信息科学的发展，智能优化算法在处理多目标优化问题时更能满足实际需要。

遗传算法在解决多目标函数优化问题方面有很大的优势，主要有以下几点：①遗传算法可以同时处理多个目标，减少了目标排序的步骤；②遗传算法可以多方面搜索，不受传统算法的限制，这是数学规划法的一个重大突破；③遗传算法可以解决随机的、不确定的离散搜索空间问题；④遗传算法可以将多目标优化问题转变为单目标。遗传算法可以弥补传统数学规划法的缺点，所以，应用遗传算法解决多目标函数优化问题是研究热点。

3.4 社会与经济领域

早期，在研究社会与经济学时，遗传算法并不占有优势，尽管它可以解决数学问题，但效果并不如计算机的运算，还是有很多科学家热衷于用遗传算法解决经济学问题。Lettau应用遗传算法建立了主体模型，Bau-er用遗传算法分析投资，等等。目前，遗传算法在经济学中的应用已经相当广泛。

4 结束语

近年来，遗传算法发展得十分迅速，无论是在理论研究领域，还是在实际应用方面。随着时间的推移，在遗传算法的理论研究方面有重大的突破，但是，遗传算法的理论体系仍然不够完善，这会阻碍遗传算法的发展。因此，对于遗传算法的理论研究需要更加深入、细致。科学家已经成功运用遗传算法解决了生活中的问题，相信不久之后这将是遗传算法的重点研究领域。

［1］吴玫，陆金桂.遗传算法的研究进展综述［J］.机床与液压，2008（3）：176-179.

［2］史明霞.多种群协同演化遗传算法［J］.商丘师范学院学报，2006（2）：72-74.

［3］马玉明，贺爱玲，李爱民.遗传算法的理论研究综述［J］.山东轻工业学院学报，2004（3）：77-80.

〔编辑：白洁〕

TP18

A

10.15913/j.cnki.kjycx.2017.23.021

2095－6835（2017）23－0021－02