算法原则
（1）适应性原则
一个算法的适用性是指该算法所能适用的问题种类，它取决于算法所需的限制与设定。如果优化问题的约束不同，则相应的处理方式不同[1]。
（2）可靠性原则
一个算法的可靠性是指算法对所设计的问题，以适当的精度求解大多数问题的能力，即对大多数问题提供可靠的解。因为遗传算法的结果带有一定的随机性和不确定性，所以在算法设计时，应尽量经过较大样本的检验，以确认算法是否具有较高的可靠度。
（3）收敛性原则
遗传算法的收敛性通常指能否以概率1收敛到全局最优解。在收敛的前提下，希望算法具有较高的收敛速度。因为，遗传算法都是在有限代数终止的，所以，评价算法收敛速度的办法之一即是比较在有限时间段内算法求解所能达到的精度。本文来自辣.文~论~文·网原文请找腾讯324,9114
（4）稳定性原则
遗传算法的稳定性是指算法对其控制参数及问题数据的敏感度。如果算法对其控制参数或问题的数据十分敏感，则依据它们取值的不同，将可能产生不同的结果，甚至过早地收敛到某一局部最优解。这当然不是我们所希望的结果，所以在设计算法时，应尽量使得对一组固定的控制参数，算法能在较广泛的问题数据范围内解题，而且对一组给定的问题数据，算法应对其控制参数的微小扰动不甚敏感。
（5）生物类比原则
因为遗传算法的设计思想是基于生物演化过程的，那些在生物界被认为是行之有效的方法及操作可以通过类比的方法引入到算法之中，有时会带来比较好的结果。
5.算法应用
遗传算法的研究内容相当广泛，反映了多学科相互交叉的特点，目前，遗传算法的研究主要集中在以下几个方面：函数优化、组合优化、生产调度、自动控制、机器学习、图像处理、人工生命、演化编程等。
2.2.2基本算法
1.GA的处理过程
begin
选择适当表示，生成初始群体；
评估群体While未达到要求的目标do
begin选择作为下一代群体的各个体；
执行交换和突变操作；估群体end end
2.GA算法内容
（1）编码
GA的工作基础是选择适当的方法表示个体和问题的解（作为进化的个体）。它要求个体均以0、1组成的串来表示，且所有个体串都是等长的。实际上，可以任意指定有限元素组成的串来表示个体，而不影响GA的基本算法。
上一页 [1] [2] [3] [4] [5] [6] [7] 下一页
基于遗传算法的聚类分析算法 第5页下载如图片无法显示或论文不完整，请联系qq752018766
