遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为：
1) 首先组成一组候选解
2) 依据某些适应性条件测算这些候选解的适应度
3) 根据适应度保留某些候选解，放弃其他候选解
4) 对保留的候选解进行某些操作，生成新的候选解。
遗传算法作为一种应用比较广泛、影响比较大的优化算法，与其他优化算法相比，它主要具有下述若干独特的性能。
（1）遗传算法以参数的编码集作为运算对象，并且在执行搜索过程中，不受优化函数连续性及其导数求解的限制，因为具有很强的通用性。
（2）遗传算法直接使用由目标函数确定的适应度函数信息，以群体为单位执行搜索过程，加快搜索到适应度较好的搜索空间，因而具有较强的全局搜索能力本文来自辣%文,论'文.网，
毕业论文 www.751com.cn 加7位QQ324~9114找原文。
（3）遗传算法简单通用，普适应强，易于与其他算法结合构成混合智能算法，并且该算法具有很强的鲁棒性，因而在众多领域得到了广泛的应用。
鉴于以上特征，遗传算法受到了越来越广泛的重视。
遗传算法具有很强的全局搜索能力，通用性强，鲁棒性高，因而被广泛应用于很多领域，下面简要介绍一些主要的应用领域：
（1）函数优化。函数优化不仅是遗传算法的经典应用领域，而且各类复杂的测试函数也是对遗传算法进行性能评价的依据。另外，对于一些使用其他优化方法很难求解的非线性、多目标函数优化问题，应用遗传算法一般可以得到满意的优化结果。
（2）调度问题。遗传算法在生产调度中得到了广泛的应用，不仅避免了只依据靠经验调度的不可靠性，而且避免了在传统求解过程中由于对模型的大幅度简化，而导致求得结果与实际结果之间的巨大差异。
（3）图像处理。遗传算法在模式识别、图像恢复、图像边缘特征提取等方面得到了广泛的应用。
（4）自动控制领域。遗传算法在参数辨识、模糊控制器的优化设计、模糊控制规则的学习中的应用取得了很显著的成果。另外，遗传算法在航空控制系统的优化、空间交会控制器的设计、故障诊断(Zhong Binglin et al, 1992) ，(Zhang, J., and Robert, P. D. 1992 )和机器人行走路径规划(Gill, M. A. C., andZomaya, A.Y. , 1998) ，(Dorigo, M.,and Schneph, U., et al., 1993)，(Davidor, Y. ,1991)中的应用也取得了成功。
（5）机器学习。基于遗传算法的机器学习，在很多领域中都得到了广泛的应用。其中比较典型的是Holland 设计的分类器系统(Goldberg, D. E., 1989)，以及机器人规划、模式识别、概念学习等McAulay, A. D., and Oh, J.C. 1994)，(Dorigo, M et al, 1993)，( (Kadaba, N., Nygard, K. E., and Juell, P.J., 1991)(Liepins, G. E., and Wang, L. A., 1991)。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] 下一页
Matlab遗传算法及仿真研究 第3页下载如图片无法显示或论文不完整，请联系qq752018766
