遗传算法的应用及前景
遗传算法的应用及前景遗传算法（）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，借鉴生物界适者生存、优胜劣汰遗传机制的进化规律演化而来的随机化搜索最优解的方法最初由美国大学教授于年提出基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作这种特殊的组合方式将遗传算法与其它搜索算法区别开来由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，所以广泛应用于组合优化、机械设计、数学问题、地质方面、信号处理、软件工程和人工生命等领域遗传算法在饲料配方设计中的应用：针对现有饲料配方软件的局限性，以白绒山羊饲料配方为例，可提出一种基于改进遗传算法的求解方法与标准遗传算法相比，采用实数编码引入了与问题领域相关的启发信息，增加了搜索能力；使用随机联赛选择替代轮盘赌模型，优化了选择策略；利用不同的随机数交叉和高斯变异，改进了交叉算子与变异算子测试结果表明：改进的遗传算法具有良好的运算效率，拓宽了搜索空间，降低了成本，求解饲料配方问题非常有效。
由于改进的遗传算法较好地保持了种群的多样性，能够解决因子较多、非线性程度高的问题，为复杂问题的优化提供了一种新的思路黄土高边坡三维最危险滑裂面的遗传算法搜索：根据黄土地震滑坡的几何统计特征和物理力学性质，总结提出一种新的三维滑坡模型，并采用归一化三维矩阵的表示形式借用遗传算法的核心思想，以归一化三维矩阵中的第三维元素作为搜索基因，在特定的搜索域内进行选择交叉和变异运算，经过若干轮循环，可逼近相关条件下的最危险滑裂面同时给出实例验算，对该搜索方案进行验证基于神经网络的遗传算法在短时交通流预测中的应用：将神经网络和遗传算法的结合点进行改进，并以此为基础提出新的优化算法新算法设计简单，易于实现，能有效地解决局部极小问题，加快收敛速度，增强网络的适应能力，预测效果明显优于算法基于改进的遗传算法的多目标优化问题研究：研究多目标优化算法问题，针对传统的多目标优化算法由于计算复杂度非常高，难以获得令人满意的解等问题，在图论和遗传算法基础上，提出了一种改进的遗传算法求解多目标优化方法首先采用二进制编码表示最小树问题，然后采用深度优先搜索算法进行图的连通性判断，给出了一种新的适应度函数，以提高算法执行速度和进化效率。
最后仿真结果表明，与经典的算法和算法相比，新算法复杂度较低，并能在第一次遗传进化过程中获得一批最小生成树，适合于解决不同类型的多目标最小树问题基于解析法和遗传算法的机械手运动学逆解：研究优化机械手轨迹规划问题，机械手运动时要具有稳定性避障性能针对平面 3 自由度冗余机械手优化控制问题，建立机械手的结构模型提出用解析法和遗传算法相结合满足具有计算量小和适应性强的特点在给定机械手末端执行器的运动轨迹，按着机械手冗余自由度，运动轨迹上每个点对应的关节角有无穷多个解而通过算法可以找到一组最优的关节角，可得到优化机械手运动过程中柔顺性和避障点仿真结果表明，该算法可以快速收敛到全局最优解，可用于计算冗余机械手运动学逆解，并可实现机器人的轨迹规划和避障优化控制基于遗传算法的高校排课问题的探究：随着高校招生人数的不断扩大专业和课程的设置不断增多教师和教室的短缺使排课工作也越来越复杂排课具有影响因素、多约束条件复杂以及存在不可预料的情况发生等特点传统的手动排课既花费了大量的时间和精力而且又容易出错因此利用遗传算法求解排课问题其搜索过程带有自组织的智能性和并行性可以更少地依赖于实际问题的情况实现课表的优化具有一定的实用价值。
基于遗传算法的建筑结构设计优化设计探讨：探讨了建筑结构设计优化设计概念的内涵，论述了进行建筑结构设计优化设计的特性，概况介绍了建筑结构设计优化设计过程和方法基于遗传算法的软件质量预测：研究提高软件质量问题，软件质量是一种智力产品，质量度量属性较多，传统神经网络无法准确提取最优度量软件质量属性，预测准确率低为了提高软件质量预测准确率，将遗传算法引入到软件质量度量属性选择中首先采用遗传算法选择最优软件质量度量属性，然后将度量属性输入神经网络进行训练，建立软件质量预测模型通过仿真对模型性能进行测试，结果表明，遗传神经网络对软件质量预测模型降低软件质量预测错误率，提高预测准确率，在理论和实际上都具有创新性函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。
实践证明，遗传算法对于组合优化中的问题非常有效例如遗传算法已经在求解旅行商问题、背包问题、工作日程安排、试题组卷问题、装箱问题、图形划分问题等方面得到成功的应用此外，也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用进入 90 年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面通过对 2002 200 年 6 国内学者及工程技术人员在遗传算法方面的研究情况进行对比分析得出，遗传算法在函数优化和组合优化方面进行研究的文章每年几乎都是最多的，而生产调度及自动控制等实际应用领域的研究成果较少遗传算法在数据挖掘和机器学习领域进行研究的文章不多，但在研究成果中所占的比重逐年增长结合以上对比分析可知，遗传算法在函数优化及组合优化方面的研究在减少，尤其在函数优化方面减少更明显，但是在生产调度及自动控制等领域的研究比重明显增加，这充分说明遗传算法的研究已经从理论方面逐渐转向应用领域;机器人学及图像处理也在逐渐成为研究的热点涉及数据挖掘研究方面的文章不是很多，但随着数据挖掘技术的广泛应用，遗传算法在数据挖掘领域的研究会成为新的热点。
遗传算法作为一种非确定性的拟自然算法，为复杂系统的优化提供了一种新的方法，在许多学科领域具有广泛的应用价值但有关算法的研究，对已经研究较为深入的热点关注度较高，而对潜在研究热点和迅速发展起来的研究热点关注度不足综观遗传算法在算法改进及应用方面的研究现状，它已经成为目前计算智能领域的热点之一，但是还有一些不足，总体而言，以下几方面的工作尤其值得进一步探讨：遗传算法与优化技术的融合对遗传算法的大范围群体搜索性能与快速收敛的局部优化方法进行混合，从而产生有效的全局优化方法算法的改进以及新型算法的提出遗传算法虽然是一种有效的全局搜索方法，但在理论和应用研究上也存在着许多不足和缺陷针对具体的研究和工程应用，对算法进行改进是很有必要的混合遗传算法其实质是将不同算法的优点有机结合，改善单纯遗传算法的性能遗传算法也有其自身的缺点，如容易产生早熟收敛、收敛速度慢、局部寻优能力较差等对遗传算法进行改进，构成一种混合式遗传算法以提高单纯遗传算法的运行效率和求解质量也是今后的一个研究热点算法的并行化研究遗传算法的群体适应度评价随机搜索等特征使其具有明显的并行性因此，设计各种并行执行策略，建立相应的并行化遗传算法的数学基础，是一项具有重要意义的工作。
加强遗传算法与应用的结合根据不同的工程求解问题，进一步改进和完善遗传算法，使其在应用领域发挥更大的作用面向多目标优化约束优化问题的算法及理论研究。
