文 献 综 述

1.研究背景

自然界的生物体在遗传，变异和选择的作用下，不断地从简单到复杂，从低级向高级进化和发展。这种”生存竞争，优胜劣汰，适者生存”的进化规律引起了许多科学家的兴趣。人们发现隐藏在自然选择背后的实质是一种优化的思想。

自然界中，进化过程的发生需要4个条件：（1）有能够自我繁殖的实体；（2）能够自我繁殖的实体形成一个种群；（3）种群中的实体之间存在差异；（4）在环境中的生存能力的差别与上述差异有关。进化计算（Evolutionary Computation，EC）就是基于这种思想而发展起来的一种通用问题求解方法。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索方向，由于它采用种群（即一组编码表示）的方式组织搜索，这使得它可以同时搜索解空间内的多个区域。而且用种群组织搜索方式使得进化算法特别适合大规模并行，在赋予进化计算自组织，自适应，自学习等特征的同时，优胜劣汰的自然选择和简单的遗传操作时进化计算具有不受其搜索空间限制性条件（如可微，连续，单峰等）的约束及不需要其他辅助信息（如导数）的特点。这些特点使得进化计算不仅能获得较高的效率，而且简单，易于操作，通用性强。

2.研究内容

遗传算法（Genetic Algorithm 简称GA）,是近几年发展起来的一种崭新的全局优化算法，它借助了生物遗传学的观点。通过自然选择，遗传，变异等作用机制，实现各个个体的适应度的提高，遗传算法的基本执行过程如下：

1）选择编码策略，把参数转换成串；

2）选择群体大小N，随机产生N个串构成群体；

3）根据适应度函数计算各个串的适应度；

4）根据串的复制概率选择一个串进行复制，直到已经复制了N个串，适应度越高，复制概率越大；