第1章 绪论
伴随生产规模的扩大和生产要求的提高，工程实践中寻求最优化的问题越来越复杂．问题的性质逐渐向高维、非线性、多约束等方向发展，这些性质造成问题的求解十分困难。传统的优化算法，如牛顿法、梯度法、BFGS法等在模型收敛速度和精度、模型精度、对初值的敏感度上表现出各种局限性，使算法不能求得全局最优解．因此，寻求具有普适性和高效性优化算法的任务十分迫切。为了解决工程实际中这些规模庞大繁杂的优化问题，人们根据自然界的现象提出了启发式算法，它与传统基于数值计算进行确定性搜索的优化方法不同，采用非数值计算的概率随机性搜索方式，表现出比传统优化算法更好的求解性能，自产生以后得到了快速发展。
近几十年来，主要的启发式算法有遗传算法、进化规划、模拟退火、禁忌搜索及其混合优化策略等，通过模拟或揭示某些自然现象或过程而得到发展，思想和内容涉及数学、物理学、生物进化、人工智能、神经科学和统计力学等方面，为解决复杂问题提供了新的思路和手段。这些算法的独特优点和机制，引起了国内外学者的广泛重视．掀起该领域的研究浪潮，且在诸多领域中得到成功应用。而遗传算法又是这些启发式算法中研究和应用最广泛的一类，本书专门对遗传算法的相关内容进行阐述。
1．1 GA概述
遗传算法是一种基于自然种群遗传演化机制的高效寻优搜索算法，由美国学者Hollond首先提出。它摒弃了传统的搜索方式，通过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。遗传算法将问题域中的可能解看做是群体的一个个体或染色体，并将每一个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（选择、交叉和变异），根据预定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。
……
展开
