遺傳算法(Genetic Algorithms簡稱GA)是由美國Michigan大學(xué)的John Holland教授于20 世紀(jì) 60 年代末創(chuàng)建的。70 年代De  Jong基于遺傳算法的思想在計算機(jī)上進(jìn)行了大量 的純數(shù)值優(yōu)化計算實驗。在一系列研究工作的基礎(chǔ)上，80 年代由Goldberg進(jìn)行歸納總結(jié)， 形成了遺傳算法的基本框架。它來源于達(dá)爾文(Charles  Darwin)的進(jìn)化論和孟德爾 (G.Mendel)、摩爾根(T.H.Morgan)的遺傳學(xué)理論，通過模擬自然界遺傳機(jī)制和生物進(jìn)化而 形成的一種過程搜索最優(yōu)解的算法。其特點(diǎn)是幾乎不需要所求問題的任何信息而僅需要 目標(biāo)函數(shù)的信息，不受搜索空間是否連續(xù)或可微的限制就可找到最優(yōu)解。依據(jù)它的并行 性，非常適用于大規(guī)模并行計算機(jī)。因此，遺傳算法廣泛的應(yīng)用于自動控制、計算科學(xué)、 模式識別、工程設(shè)計、智能故障診斷、管理科學(xué)和社會科學(xué)領(lǐng)域，適用于解決復(fù)雜的非 線性和多維空間尋優(yōu)問題。

與許多現(xiàn)有的優(yōu)化算法相比，遺傳算法具有以下優(yōu)點(diǎn)：

(1) 遺傳算法直接以目標(biāo)函數(shù)值為搜索信息，直接處理的對象是決策變量的編碼集而 不是決策變量的實際值本身，對函數(shù)的性態(tài)無要求，搜索過程既不受優(yōu)化函數(shù)連 續(xù)性的約束，也沒有優(yōu)化函數(shù)必須可導(dǎo)的要求，具有較好的普適性和易擴(kuò)充性。 同時，我們可以把搜索范圍集中到適應(yīng)度較高的部分搜索空間中，從而提高了搜 索效率。

(2) 遺傳算法采用多點(diǎn)搜索或者說是群體搜索，具有顯著的隱含并行性。遺傳算法按并行方式搜索一個種群數(shù)目的點(diǎn)，而不是單點(diǎn)。它的并行性表現(xiàn)在兩個方面：一 是遺傳算法是內(nèi)在并行的、二是遺傳算法的內(nèi)含并行性。

(3) 遺傳算法是一種自適應(yīng)搜索技術(shù)，具有自組織、自適應(yīng)和學(xué)習(xí)性(智能性)。遺傳 算法消除了算法設(shè)計中的一個最大障礙，即需要事先描述問題的全部特點(diǎn)，并要 說明針對問題的不同特點(diǎn)算法應(yīng)采取的措施，因此，它可用來解決復(fù)雜的非結(jié)構(gòu) 化問題，具有很強(qiáng)的魯棒性。其選擇、交叉、變異等運(yùn)算都是以一種概率方式來 進(jìn)行，從而增加了搜索過程的靈活性，同時能以很大的概率收斂于最優(yōu)解，具有 較好的全局優(yōu)化求解能力

(4) 遺傳算法的基本思想簡單，運(yùn)行方式和實現(xiàn)步驟規(guī)范，便于具體使用。

基本遺傳算法的形式化定義 基本遺傳算法可定義為一個 8 元組： SGA = (C, E, P0 , M, Φ, Γ, Ψ, T)式中

C——個體的編碼方法； 

E——個體適應(yīng)度評價函數(shù)；

P0 ——初始群體； 

M——群體大?。?nbsp;

Φ——選擇算子； 

Γ——交叉算子； 

Ψ——變異算子； 

T——遺傳算法終止條件。