遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰）演化而来的随机化搜索方法。由美国J.Holland教授在1975年提出的。特点：遗传算法的处理对象不是参数本身，而是经过编码后的个体。不是传统的单点搜索法，而是同时处理群体中的多个个体，减少了陷入局部最优解的风险。遗传算法只用适应度函数来评价个体，不受不可连续可微的约束。遗传算法采用概率变迁来指导搜索方向具有自组织、自适应和自学习性。应用领域：组合优化多目标优化模糊优化可靠性设计调度问题高级运输问题网络设计与路径制造元设计机器学习信号处理自适应控制人工生命遗传算法中的基本概念遗传算法的基本运算步骤：e)交叉运算；将交叉算子作用于群体。将群体P(t)内的个体随机搭配成对，对每一个个体，以某个概率（称为交叉概率，crossoverrate）交换它们之间的部分染色体。f)变异运算:将变异算子作用于群体。对群体P(t)中的每一个个体，以某一概率（称为变异概率，mutationrate）改变某一个或某一些基因座上的基因值为其它等位基因。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t1)。g)终止条件判断:找出进化过程中所得到的具有最大适应度个体，当达到最大进化代数T，选出最优解输出，终止计算。基本遗传算法的运行参数●M：群体大小，即群体中所含个体的数量，一般取为100~200。●T：遗传运算的终止进化代数，一般取为500~100。●pc：交叉概率，一般取为0.4~0.6●pm：变异概率，一般取为0.001~0.1染色体编码方法基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0,1}所组成。初始种群各个个体的基因值可用均匀分布的随机数来生成。如：用10位二进制来编码若编码为：0000110101，其十进制值为：53转换成变量域的实际值为：53*10/1023适应度值计算选择比例选择算子的具体执行过程是：(a)先计算出群体中所有个体的适应度的总和；(b)其次计算出每个个体的相对适应度的大小，它即为各个个体被遗传到下一代群体中的概率；设给定的规模为n的群体{X1,X2,…,Xn}，个体Xj适应度为F(Xj),则其选择概率为(c)最后再使用模拟赌盘操作（即0到1之间的随机数）来确定各个个体被选中的概率轮盘赌操作交叉——核心作用例：个体A：10011111001000新个体个体B：00110000011111新个体变异终止条件基本遗传算法描述ProcedureSGAbegininitializeP(0);t=0;while(t≤T)dofori=1toMdoEvaluatefitnessofP(t);%计算适应度endforfori=1toMdoSelectoperationtoP(t)；%运算选择算子fori=1toM/2doCrossoverSelectoperationtoP(t);%运算交叉算子endforfori=1toMdoMutationoperationtoP(t);%运算变异算子Endforfori=1toMdoP(t+1)=P(t)Endfort=t+1;EndforEndwhileend例：求函数f(x)=10*sin(5x)+7*cos(4x)，x∈[0,10]上是最大值第四步：确定适应度函数本例中将目标函数稍作转换作为目标函数。由于本例中要求最大值，转换方法为：混流装配线