遗传算法的作用　为什么使用遗传算法

遗传算法的作用

1、遗传算法的优缺点？1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法。不仅是二进制编码，十进制编码也可直接用于遗传算法。根据生物系统传代过程的规律，这些基因信息将在繁殖中传到下一带，而下一代将按照“适者生存”的原则决定种属的发展和消亡，而优化准则或目标函数就起到了决定“适者生存”的作用，即保留失拟较小的新模型，而放弃失拟大的模型。在传带过程中用编码表示的基因部分地交。

3、遗传算法具体应用。2、组合优化 随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编。

4、什么是遗传算法。遗传算法中起核心作用的就是交叉算子。 e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。 f)终止条件判断：若tT，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

5、遗传算法具有什么的迭代过程的搜索算法。遗传算法就是这一理论的一个重要的分支。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。最优化问题的目标函数和约束条件种类繁多，有的是线性的，有的是非线性的；有的是连续的，有的是离散的；有的是单峰值的，有的是多峰值的。随着研究的深入，人们逐渐认识到在。

为什么使用遗传算法

1、遗传算法--GA。遗传算法(GA)属于 人工智能启发式算法 ，启发式算法的目标就是 寻找原始问题的最优解 ，该算法的定义为 人类通过直观常识和生活经验，设计出一种以搜索最优解为目的，通过仿真大自然规律的算法，该算法在可以在接受的花销(计算时间和存储空间)范围内找到问题实例的一个可行解，且该可行解和真实最优解的误差一般不可以。

2、人工智能之进化算法。遗传算法是一类通过模拟生物界自然选择和自然遗传机制的随机化搜索算法，由美国Holand J教授于1975年首次提出。它是利用某种编码技术作用于称为染色体的二进制数串，其基本思想是模拟由这些串组成的种群的进化过程，通过有组织的、然而是随机的信息交换来重新组合那些适应性好的串。遗传算法对求解问题的本身一。

3、遗传算法有哪些特点？遗传算法是一种可用于复杂系统优化的一种搜索算法，与传统的算法相比，具有以下4个特点：第一，它是以决策变量的编码作为运算对象；第二，遗传算法直接以适应度作为搜索信息，无需导数等其他辅助信息；第三，遗传算法使用多个点的搜索信息，具有隐含并行性；最后，它没有使用非确定性规则，而是采用了概率。

4、关于遗传算法。即非确定性规则。通过变异算子的作用，GA在恢复群体失去的多样性等方面具有潜在的作用，因此能搜索离散的、有噪声的、多峰值复杂空间。（5）GA在解空间内充分的搜索，但并不是盲目的穷举或瞎碰（适应值为选择提供了依据），因此其搜索时耗用效率往往优于其他优化算法。图4-2 常规遗传算法流程图 。

5、基因算法和遗传算法的区别。Holland创建的遗传算法是一种概率搜索算法，它是利用某种编码技术作用于称为染色体的数串，其基本思想是模拟由这些组成的进化过程。跗算法通过有组织地然而是随机地信息交换重新组合那些适应性好的串，在每一代中，利用上一代串结构中适应好的位和段来生成一个新的串的群体；作为额外增添，偶尔也要在串。