遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。  

遗传算法与蚂蚁算法的融合

遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，当求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低．蚂蚁算法是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度慢，算法是将遗传算法与蚂蚁算法融合，采用遗传算法生成信息素分布，利用蚂蚁算法求精确解，优势互补，仿真表明取得了非常好的效果。  

佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析，给出了遗传算法的运行机理发及特点，即遗传算法是一个具有定向制导的随机搜索技术，其定向制导的原则蛎：导向以高适应度模式为祖先的“家族”方向，以此结论为基础，利用数论中的佳点休的理论和方法，对GA算法中的交叉操作进行了重新设计，给出了一个新的GA算法，称之为佳点集遗传算法，最后作者将佳点GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题，并与其它求解SAT算法进行比较，通过模拟比较，可以看出新的算法不但提高了算法的速度和精度，而且避免了其它方法常有的早期收敛的现象，这说明作者对GA算法机理的理解和佳点CA算法可能为GA算法的研究开辟一条新的途径。  

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。  

遗传算法机理的研究

众所周知,“模式定理”和“隐性并行性”是遗传算法(genetic algorithms,简称GA算法)的两大理论基础.该文对这两个原理进行分析,指出这两个原理存在有不严格和不足之处,即作为GA算法的基础,这两个原理尚欠完善.为加深对GA的理解，文章提出遗传算法的一个新的改进模型——理想浓度模型.通过对此模型的分析,得出遗传算法本质上是一个具有定向制导的随机搜索技术.其定向制导原则是,导向以适应度高的模式为祖先的染色体“家族”方向.最后给出两个典型的函数求最大值的模拟例子.从模拟结果看,改进后的GA算法大大提高了算法的速度,解的精度也有所提高.这说明新算法具有应用的潜力.  

一种基于免疫原理的遗传算法

本文提出了一种免疫遗传算法（Ｉｍｍｕｎｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，简称ＩＧＡ）。免疫遗传算法是根据生物的免疫原理提出的一种改进遗传算法法，该算法主要体现了生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进，并结合货郎担（ＴＳＰ）优化问题介绍了具体实现方法，实验结果表明该免疫遗传算法有较好的性能。  

遗传算法纵横谈

以总结当前遗传算法的多种改进形式为主探讨了有关遗传算法的６个问题，它们对于不同领域的遗传算法的科研应用人员均具有一定的启发作用。  

遗传算法的全局收敛性和计算效率分析*

本文应用齐次有限马尔科夫链分析了简单遗传算法、最优保存简单遗传算法和自适应遗传算法的收敛性，然后对计算效率进行了定性分析，得到了指导基因操作策略设计的极限分布概率原则。  

遗传算法的研究与进展

遗传算法是建立在自然遗传学机理基础上的参数搜索方法。本文介绍了遗传算法的思想来源的基本原理，比较了遗传算法与其他人工智能技术，论述了它在优化、机器学习、尤其是控制领域中的应用成果，并对进一步的研究工作提出了一些展望。  

单亲遗传算法及其全局收敛性分析

序号编码的遗传算法(GA)不能在两条染色体的任意位置进行交叉,必须使用 PMX,CX和OX等特殊的交叉算子,而这些交叉算子实施起来都很麻烦.针对序号编码GA 的上述不足,提出一种单亲遗传算法(PGA).PGA采用序号编码,不使用交叉算子,而代之以 隐含序号编码GA交叉算子功能的基因换位等遗传算子,简化了遗传操作,并且不要求初始 群体具有多样性,也不存在"早熟收敛"问题.仿真结果验证了这种算法的有效性.