遺傳算法理論研究及其應用

范爽

（大連市第八中學，遼寧 大連 116000）

遺傳算法理論研究及其應用

范爽

（大連市第八中學，遼寧 大連 116000）

近年來，隨著社會經濟的發展和科學技術的不斷進步，遺傳算法也處于興盛發展時期，無論是理論研究，還是應用研究，都深受科學家的關注。遺傳算法是以生物學為基礎，遺傳操作就是模擬生物基因遺傳的做法。簡要論述了遺傳算法的理論內容及其應用情況，以期為日后相關研究提供參考。

遺傳算法；生物學；生物基因；自動控制

1 遺產算法的產生

1975年，John H.Holland教授首先提出了遺傳算法，它是模擬達爾文生物進化論的自然選擇、適者生存、自然淘汰的生物進化過程的計算模型。后來的科學家基本沿用了Holland教授的理論體系來探索生物學和計算機科學。遺傳算法不僅以達爾文的進化學說為基礎，還借鑒了孟德爾的選擇學說和摩爾根的遺傳學說。達爾文認為，生物體普遍存在變異，兩個個體之間一定存在差異，即使是同一種群。一切生命形態發生、發展的演變，從低級到高級，都需要經歷漫長的過程。生物體的繁殖能力普遍比較高，有繁殖過剩的趨勢，但是，容納生物體的空間和賴以生存的食物都是有限的，因此，各種生物之間必須經過激烈的斗爭才能存活。生物體不僅要與其他種群、同一種群的生物體做斗爭，還要與無機環境做斗爭。不同生物體的競爭能力不同，一般來說，能力強的生物體生存概率高，繁衍后代的機會也更大；反之，在生存斗爭的競爭中，有利的變異得以保存，不利的將淘汰。但是，一旦環境發生改變，原來有利的個體可能就會變成不利的個體。孟德爾的選擇學說將遺傳物質比喻成了一個個粒子，生物體雜交時決定父母雙方性質的是某種單位化的粒子狀物質分離、自由組合。摩爾根繼孟德爾的研究后發現，在生殖細胞形成的過程中，同一染色體上可能具有不止一對的基因，而這些基因是作為一個單位進行傳遞的。總之，自然界選擇的根本原則就是優勝劣汰。孟德爾、摩爾根提出來的分離定律、自由組合定律、連鎖與互換定律被稱為遺傳學的三大定律，它們指導著遺傳理論研究的發展。John H.Holland教授及其學生提出的遺傳算法就是想要搜索一種最優解的隨機化方法，這種方法的特點為：①從問題解的串集開始搜索，而不是從單個解開始；②同時處理群體中的多個個體；③不用搜索其他輔助信息；④采用概率的變遷規則；⑤自行組織搜索；⑥在進化過程中自動調整算法控制參數和編碼精度。這些特點讓遺傳算法區別于傳統的運算方法，如今，遺傳算法的應用可謂相當廣泛，基本存在于人們的生活中。

2 遺傳算法的基本執行過程

一切生命形態發生、發展的演變過程都需滿足以下4個要求：①該生物數量足夠多，可以構成一個種群。②各個生物體之間存在不同。③生物體擁有繁衍生殖的能力。④當環境改變時，不同生物體對環境的適應度不同，存活的概率也不同。一般來說，適宜能力強的生物體生存概率高，繁衍后代的機會也更大。

綜上所述，一切生命形態發生、發展的演變都需要經歷3個過程：①自然界的生物經過激烈的生存斗爭，適應者生存下來，不適應者被淘汰掉；②同一種群、不同個體之間交配，生衍繁殖；③由于環境改變等因素產生的基因變異。

Holland教授對遺傳算法的理論研究貢獻巨大，他建立了遺傳算法的運行的基本框架，后來的理論研究基本沿用了Holland教授的理論體系，并加以改進。遺傳算法求解問題過程如圖1所示。

3 遺傳算法的應用

3.1 自動控制領域

在自動控制領域，遺傳算法發揮了巨大的作用，它不僅可以解決系統參數辨識問題，改善機器的自動識別能力，還可以優化控制器參數。Karr等編程自適應模糊邏輯控制器時就應用了遺傳算法計算；Es-posito則在Karr研究的基礎上，在研究RBF網絡時也應用了遺傳算法，優化了RBF神經網絡；Vesin等應用遺傳算法改善了RBF神經網絡的結構和權值，基本實現了RBF的完全優化。在另一研究方面，外國科學家Fonesca在設計磁懸浮列車控制器時應用了遺傳算法，成功改善了控制器的功能；我國科學家顏文俊等人也基于遺傳算法提出了另一套設計方案優化魯棒控制器。

圖1 遺傳算法求解問題過程

3.2 在組合最優化問題方面

組合（最）優化問題是最優化問題的一類，它研究連續變量和離散變量，它的目標是從組合問題的可行解中集中求出最優解。組合優化看似簡單，實則不然，求解組合優化問題不僅需要大量的運行時間，還需要極大的存儲空間，現有的計算機還不能達到解決組合優化的標準，即所謂的“組合爆炸”。遺傳算法在組合優化上的運用比較廣泛。

3.3 在多目標函數優化問題方面

多目標優化問題是先由經濟學家V.Pareto在研究經濟平衡時提出的，并且引進和推廣了Pareto最優解。多目標優化問題簡稱“MOP”，它的目標函數有2個或2個以上。多目標規劃問題的有效解稱為“Pareto最優解”。以前的多目標優化算法耗時長、計算量大，已經不能滿足社會經濟的發展，隨著計算機科學與生命信息科學的發展，智能優化算法在處理多目標優化問題時更能滿足實際需要。

遺傳算法在解決多目標函數優化問題方面有很大的優勢，主要有以下幾點：①遺傳算法可以同時處理多個目標，減少了目標排序的步驟；②遺傳算法可以多方面搜索，不受傳統算法的限制，這是數學規劃法的一個重大突破；③遺傳算法可以解決隨機的、不確定的離散搜索空間問題；④遺傳算法可以將多目標優化問題轉變為單目標。遺傳算法可以彌補傳統數學規劃法的缺點，所以，應用遺傳算法解決多目標函數優化問題是研究熱點。

3.4 社會與經濟領域

早期，在研究社會與經濟學時，遺傳算法并不占有優勢，盡管它可以解決數學問題，但效果并不如計算機的運算，還是有很多科學家熱衷于用遺傳算法解決經濟學問題。Lettau應用遺傳算法建立了主體模型，Bau-er用遺傳算法分析投資，等等。目前，遺傳算法在經濟學中的應用已經相當廣泛。

4 結束語

近年來，遺傳算法發展得十分迅速，無論是在理論研究領域，還是在實際應用方面。隨著時間的推移，在遺傳算法的理論研究方面有重大的突破，但是，遺傳算法的理論體系仍然不夠完善，這會阻礙遺傳算法的發展。因此，對于遺傳算法的理論研究需要更加深入、細致。科學家已經成功運用遺傳算法解決了生活中的問題，相信不久之后這將是遺傳算法的重點研究領域。

［1］吳玫，陸金桂.遺傳算法的研究進展綜述［J］.機床與液壓，2008（3）：176-179.

［2］史明霞.多種群協同演化遺傳算法［J］.商丘師范學院學報，2006（2）：72-74.

［3］馬玉明，賀愛玲，李愛民.遺傳算法的理論研究綜述［J］.山東輕工業學院學報，2004（3）：77-80.

〔編輯：白潔〕

TP18

A

10.15913/j.cnki.kjycx.2017.23.021

2095－6835（2017）23－0021－02