1. 研究目的与意义（文献综述）

在自然界中，遗传一直促进着生物种群的进化以适应自然界的变化及要求。于是，美国的一名教授holland开始对通过遗传的过程来解决问题以得出最优解进行了研究，并在1975年具体提出遗传算法这一概念。

遗传的过程简化后包括选择、交叉和变异，一个种群之间每一个个体通过这三种简单的过程实现基因的优化，选择的过程淘汰了种群之中不良的基因从而保留了优秀的基因，交叉和变异使得基因有了更多的组合和变化，通过不断的循环来达到了某种意义上的收敛从而产生优秀的个体。这种自然地过程给了我们一种处理问题的有效形式，也就是遗传算法。从遗传算法被首次提出后，很快就成为处理问题的一类自组织与自适应的人工智能技术，被广泛研究和应用。

与传统的算法相比较，遗传算法对可行解的表示具有广泛性，且具有群体搜索特性，在采用算法时不需要用到辅助信息同时拥有内在启发性随机搜索特性，但是虽然拥有诸多优点，遗传算法作为一种优化方式也存在许多不足之处，随着应用领域的不断扩大和实际工程问题的复杂化，遗传算法中潜藏着的一系列问题和不足也渐渐显露出来，如编码不规范及编码存在表示的不准确性、单一的遗传算法编码不能全面地将约束条件表示出来、在处理的效率上比其他算法低以及过早收敛等问题，为了解决这些问题，研究者们纷纷提出了不同的见解及改进后的算法。

根据近几年来遗传算法的研究分析可知，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。

2. 研究的基本内容与方案

遗传算法(genetic algorithms, gas)是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索的算法，它对工程应用中的多目标优化设计问题具有优良的全局搜索能力和运行效率。本次论文研究的主要内容包括：遗传算法的基础知识(算法的产生与发展、基本思想和基本操作)、遗传算法的基本实现技术(编码、选择、交叉和变异)、基本遗传算法在matlab中的程序实现、matlab中遗传算法工具箱介绍、应用举例。简单的遗传算法运行流程如图1所示。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需背景知识（遗传算法的基本原理，研究概况等）。确定研究方案，完成开题报告。

第4－6周：学习遗传算法与matlab的相关知识及设计的实现方法。

第7－9周：基于matlab平台，编制基本遗传算法的实现程序并调试通过。

4. 参考文献（12篇以上）

[1]周明，孙树栋．遗传算法原理及应用[m]．北京：国防工业出版社，2001．

[2]雷英杰，张善文等．matlab遗传算法工具箱及其应用[m]．西安：西安电子科技大学出版社，2005．

[3]srinivas m，patnaik l m．adaptive probabilities ofcrossover and mutation in genetic algorithms [j]．ieee transaction on systems，manandcvbemctics，1994，24(4)：0656-0667．