第1章 概述

1.1 遗传算法

自然界的生物体在遗传、选择和变异等一系列作用下，优胜劣汰，不断地由低级向高级进化和发展，人们将这种“适者生存”的进化规律的实质加以模式化而构成一种优化算法，即进化计算。进化计算是一系列的搜索技术，包括遗传算法、进化规划、进化策略等，它们在函数优化、信号处理、模式识别、机器学习、作业调度、智能控制等众多领域都有着广泛的应用。其中，遗传算法是进化计算中具有普遍影响的模拟进化优化算法。

遗传算法是模仿自然界生物进化机制而发展起来的随机全局搜索和优化方法。它最早由美国的J. H. Holland教授提出^[1]，起源于20世纪60年代对自然和人工自适应系统的研究；70年代，K. A. De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算试验^[2]；80年代，遗传算法由D. E. Goldberg在一系列研究工作的基础上归纳总结而成^[3]。

20世纪90年代以后，遗传算法作为一种高效、实用、鲁棒性（或称稳健性）强的优化技术，发展极为迅速，在机器学习、模式识别、神经网络、控制系统优化及社会科学等不同领域得到广泛应用，引起了许多学者的关注。进入21世纪，以不确定性、非线性、时间不可逆为内涵的复杂性科学成为一个研究热点。遗传算法因能有效地求解NP问题（Non-deterministic Polynomial Problems）以及非线性、多峰函数优化和多目标优化问题，得到了众多学科学者的高度重视，同时这也极大地推动了遗传算法理论研究和实际应用的不断深入与发展。目前，在世界范围内已掀起关于遗传算法的研究与应用热潮^[4-6]。

遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法操作导致种群中个体的进化，所得到的新个体比原个体更能适应环境。

同传统的优化算法相比，遗传算法具有对参数的编码进行操作、不需要推导和附加信息、寻优规则非确定性、自组织、自适应和自学习性等特点。