致谢    34
参考文献    35
附录    36
I基本遗传算法源程序    36
II顺序选择遗传算法源代码    38
III适值函数标定的遗传算法源代码    40
IV大变异遗传算法源代码    42
V自适应遗传算法源代码    45
VI双切点交叉遗传算法源代码    47
VII多变异位自适应遗传算法源代码    50
1 绪论
1.1 概述
    自然计算是一种受自然界启发的计算。
    自然计算具有模仿自然界的特点，通常是一类具有自适应、自组织、自学习能力的模型与算法，能够解决传统计算方法难以解决的各种复杂问题。自然计算的应用领域包括复杂优化问题求解、智能控制、模式识别、网络安全、硬件设计、社会经济、生态环境等方面的应用。自然计算的内容一般包括：人工神经网络、遗传算法、免疫算法、人工内分沁系统、蚁群算法、粒子群算法等等。本文将要研究的就是自然计算中遗传算法。
    生物学家对自然生物的进化激励进行了系统的研究，在几亿年间，生物界由最简单的单细胞生物，发展到现在的纷繁复杂、种群繁多的高级生物，充分证明了自然界的“自然选择，适者生存”的思想的实际意义，与之有关的关于生物进化的研究结论，已得到广泛的接受和应用。那么生物界的生存法则能不能运用到计算机界呢？事实证明在这个信息技术飞速发展的时代，人们非常轻易的就能将生物进化的过程用计算机语言实现。遗传算法、进化规划以及进化策略等进化计算理论日益结合。一般认为进化计算包含三个组成部分：遗传算法、进化规划、进化策略。他们用不同的进化控制模式模拟了生物进化过程，从而形成了三种具有普遍影响的优化计算方法。在下文中会详细介绍遗传算法与进化算法之间的关系。
    遗传算法在自然与社会现象模拟、工程计算等方面得到了广泛应用。在各个不同的应用领域，为了取得更好的结果，人们对遗传算法进行了大量的改进，这也是本文研究的另一内容：改进遗传算法。并且本文主要讨论遗传算法及其改进算法在函数优化方面的应用。
1.2遗传算法的发展历史与研究现状
1.2.1 遗传算法的产生与发展
   早在20世纪50年代和60年代，就有少数几个计算机科学家独立地进行了所谓的“人工进化系统”研究，其出发点是进化的思想可以发展成为许多工程问题的优化工具。早期的研究形成了遗传算法的雏形，如大多数系统都遵行“适者生存”的仿自然法则，有些系统采用了基于种群的设计方案，并且加入了自然选择和变异操作，还有一些系统对生物染色体编码进行了抽象处理，应用二进制编码。60年代初期，柏林工业大学的I.Rechenberg和H.P.Schwefel等在进行风洞实验时，由于设计中描述物体形状的参数难以用传统方法进行优化，因而利用生物变异的思想来随机改变参数值，并获得了较好的结果。随后，他们对这种方法进行了深入的研究，形成了进化计算的另一个分支——进化策略，如今进化策略和遗传算法已呈融合之势。也是在20世纪60年代，L.J.Fogel等人在设计有限态自动机(Finite State Machine,FSM)时提出了进化规划，他们借用进化的思想对一组FSM进行进化，以获得较好的FSM。他们将此方法应用到数据诊断、模式识别和分类及控制系统的设计等问题中，取得了较好的结果。后来又借助进化策略方法发展了进化规划，并用于数值优化及神经网络的训练等问题中。 MATLAB遗传算法及改进算法的性能仿真研究+代码(2):http://www.youerw.com/tongxin/lunwen_30912.html