遗传算法最早源于John H.Holland和他的团队研究的元胞自动机（CA，cellular automata），Holland于1975年出版的专著Adaptation in Natural and Artificial Systems被认为是遗传算法研究的开始。到20世纪90年代，遗传算法在解决组合优化问题方面的优势才被凸显起来，它的基本思想就是借鉴生物进化的自然选择过程，首先获得一组候选的解，这些解在选择的压力下发生进化，来适应适者生存的法则，所以遗传算法可以看作是通过运用一系列遗传机制，作用于一组解而不是单个解的属性来产生一个可接受的最优解的局部搜索方法。
遗传算法首先要将问题的解通过编码的方式转化为一组有限数量的染色体（chromosome）种群。染色体也就是在一些位置（基因座（locus））具有不同值（等位基因（allele））的固定结构，比如二进制字符串。基因座就是染色体结构中的一些固定位置，它们对应着问题解的一些关键变量，比如二进制串里每一位都可以看作是一个基因座，能存放0或1。等位基因就是在基因座上可以取到的值，比如二进制串里的0或1。群体中的每个染色体都要使用一些适应度函数进行评估，群体的成员有选择性地进行配对来产生后代，适应度越高的群体成员越有可能产生后代。遗传因子在繁殖过程中用来促进后代继承它们父母的属性。后代也会被评估并放入种群，并有可能取代上一代中一些较弱的成员。于是，遗传算法的搜索机制主要由三个阶段组成：评估每个染色体的适应度；选择父辈染色体；对父辈染色体进行重组（交叉）和突变运算。通过这些运算获得的新染色体形成了下一代的群体。这个过程会一直重复，直到系统停止提升。适者生存法则用来保证算法从上一代到下一代的过程中，解的总体质量不断提高。
由此，得到遗传算法的基本流程如图5.1所示。(www.xing528.com)
图5.1 遗传算法的基本流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
