进化策略除了采用突变使个体进化外，也会通过重组产生新个体。同遗传算法的交换相似。在ES中，选择中就隐含了复制。父代群体中所有个体经过重组和突变产生新个体。然后再按照适应度的大小从这群个体中选择优良的个体组成新的下一代群体组合，这同样体现了竞争中优胜劣汰的原则。所以进化策略也是循环迭代的过程，随机产生初始种群，通过交换重组、突变、选择等进化过程，不断提高种群的质量，最后逐渐求出最优解。

2。4进化规划

进化规划(EP)同样是从进化计算中分化出来的。最早的发展中，学者们并没有重视进化规划。直到1992年，进化规划被Fogel拓展到了实数空间中，在求解实数空间中的优化计算问题中得以应用，并在变异运算中引入正态分布技术，于是进化规划才变成了一种优化搜索算法，并在实际问题中被广泛的应用开来。对于EP来说只要所求问题是可计算的，那么就可以用来解决该问题。所以EP的使用范围十分广泛。例如求解组合优化问题和复杂的非线性优化问题等等。文献综述

进化规则与进化策略出现在同一时期，但却互相独立发展。但都别用来解决离散问题。两种算法全部以种群概念为基础，每个个体在种群种都代表所求问题的一个潜在结论；两种算法进化过程中的主要算子都是变异算子，对种群中的个体进行变异、选择等操作，让种群中的个体向着全局最优解所在的区域不断地进化。进化策略的一些成果也被引用到进化规划中去。这也促进了进化规则的发展。

进化规划与进化策略变异过程和选择策略上是不同的，从变异过程来看，EP只使用变异算子，而ES则引入了重组算子，但是重组算子只是起到辅助作用，就如同变异算子在GA中的作用一样。对适应度函数的获取上，进化规划中的适应度数值可通过对目标函数进行一定的变换后得到，或者直接使用目标函数；而在进化策略中，目标函数值直接作为适应度函数值，从选择策略上看，进化规划的选择是具有概率性的选择，而进化策略的选择则是确定的。

3 遗传算法

遗传算法模拟达尔文的遗传选择和自然选择的生物进化过程行程的一种全局优化搜索算法，有着简单通用、鲁棒性强、适于并行处理等特点，这使它在21世纪关键智能计算中占有一席之地。

遗传算法的基本思想就是模拟遗传学的遗传过程。问题的参数代表着基因，问题的解代表着染色体（在计算机里用二进制码表示），得到的群体中每个个体都具有不同染色体。问题特定的环境也就是自然环境，这个群体在其中进行生存竞争，适应环境者可以继续生存和产生后代．后代随机的继承父代的最好特点，并在问题特定环境的控制下循环进行这一过程。

3。1遗传算法几个基本概念

（1）个体（Inpidual String）：要处理问题的基本对象，在遗传算法中表示为一定数目的二进制字符串，类比于生物的染色体，也就是优化问题的可行解。 

（2）种群（Population）：包含一组个体的集合，根据入选概率选出的一组问题满意解。 

（3）适应度（Fitness）：适应度就是个体在环境中的适应程度即生存能力，在数学问题中就是可行解对应的适应值函数的函数值。 

（5）适应度函数(Fitness Function)：表示全体个体与其适应度之间的对应关系，遗传算法中适应值函数就是用于指导搜索的函数。

（6）遗传算子（Genetic Operator）：即选择、交叉和变异等遗传操作，可以产生新的个体。 来,自,优.尔:论;文*网www.youerw.com +QQ752018766-  MATLAB的遗传算法的设计与仿真(4):http://www.youerw.com/jisuanji/lunwen_87233.html