会计学3.1遗传算法概述3.1.1遗传算法的概念遗传算法是以达尔文（Darwin）自然进化论和孟德尔（Mendel）遗传变异理论为基础的一种自适应全局(quánjú)优化概率搜索算法。Darwin进化论最重要的是适者生存原理。每一物种在发展中越来越适应环境，物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些能够适应环境的个体特征才能保留下来。Mendel遗传学说最重要的是基因遗传原理。遗传以密码方式存在细胞中，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质，所以每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可以产生更适应于环境的后代，经过存优去劣的自然淘汰，适应性高的基因结构得以(déyǐ)保存下来。遗传与进化的几个特点：生物的所有遗传信息都包含在其染色体中，染色体决定了生物的性状。染色体是由基因及其有规律的排列所构成的，遗传和进化过程发生在染色体上。生物的繁殖过程是由其基因的复制过程来完成的。通过同源染色体之间的交叉或变异产生新的物种，使生物呈现(chéngxiàn)新的性状。对环境适应性好的基因或染色体比适应性差的有更多的机会遗传到下一代。【注】同源染色体是有丝分裂中期看到的长度和着丝点位置相同的两个染色体，或减数分裂时看到的两两配对的染色体。一个来自父本，一个来自母本，形态、大小和结构相同。3.1.2遗传算法的发展遗传算法的第一次提出始于1967年，其发展历程大致分为三个阶段：60~70年代的兴起阶段1967年，美国密西根大学（UniversityofMichigan）的J.H.Holland教授的学生J.D.Bagley在其博士论文中首次提出“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文。但当时基于(jīyú)自然进化的思想在学术界是受到怀疑和反对的。因此，也遭到一些学者的反对，但J.H.Holland教授及其学生们坚持了这一方向的研究。1975年，遗传算法发展史上竖起了两块里程碑：①J.H.Holland教授出版了关于遗传算法的第一本专著《自然和人工系统中的自适应性》，系统阐述了遗传算法的基本理论和方法，提出了对遗传算法理论发展极为重要的模式理论、以及遗传算法的隐并行性，并将遗传算法应用于适应性系统模拟、函数优化、机器学习和自动控制等领域。②其博士研究生K.A.Dejong完成了具有指导意义的博士论文《遗传自适应系统的行为分析》，建立了著名的Dejong五函数测试平台，定义了性能评价标准，并以函数优化为例，对遗传算法的六种方案的性能及机理进行了详细实验(shíyàn)和分析，为后续的应用奠定了坚实的基础。80年代的发展(fāzhǎn)阶段进入八十年代，随着传统人工智能暂时陷入困境，神经网络、机器学习和遗传算法等从生物系统底层模拟智能的研究重新复活。J.H.Holland教授实现了第一个基于遗传算法的机器学习系统——分类器系统，开创了基于遗传算法机器学习的新概念，为分类器系统构造出了一个完整的框架。1985年，在美国召开了第一届遗传算法国际会议，成立了国际遗传算法协会。1989年，J.H.Holland的学生D.J.Gold-berg]出版了《搜索、优化和机器学习中的遗传算法》，总结了遗传算法研究的主要成果，对遗传算法及其应用作了系统全面的论述。一般认为，这一时期的遗传算法从古典阶段发展(fāzhǎn)到现代阶段，本书则奠定了现代遗传算法的基础。90年代以来的高潮阶段90年代以来，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，在机器学习、模式识别(móshìshíbié)、神经网络、控制系统优化以及社会科学等领域得到广泛应用。国内对遗传算法的研究主要始于90年代。目前它与专家系统、神经网络成为人工智能领域研究的三大热点课题之一。3.1.3遗传算法的特点遗传算法的优点①全局性：遗传算法在搜索过程中不易陷入局部极值点，即使在非连续和含有噪声的情况下，也能以较大概率收敛到最优解或满意解，具有很强的容噪能力。②并行性和高效性：遗传算法具有大范围全局搜索和并行性等特点，适用于并行计算，因而执行效率高。③鲁棒性：鲁棒性强意味着遗传算法的搜索以群体为基本单元，不受初始选择(xuǎnzé)的影响，不因实例的不同而蜕变；同时对于一个相同问题，在不同的多次运行中能够得到相同结果，在解的质量上没有很大差异。这已被许多数值所证实。④普适性和易扩性：遗传算法是一种弱方法，它采用自然进化机制来表示复杂现象，对函数的形态无要求，可解决多种优化搜索问题。针对不同实例，只需适当调整算子参数等，进行很小修改即可适应新的问题，程序能够通用，这是现行的其他大多数优化方法所做不到的。⑤