遗传算法是进化算法中产生最早、影响最大、应用也比较广泛的一个研究方向和领域，其基本思想是由美国密执安大学的 John H. Holland教授于 1962年率先提出的。 1975年，他出版了专著《自然与人工系统中的适应性行为》 (Adaptation in Natural and Artificial Systems)[19]，该书系统地阐述了遗传算法的基本理论和方法，确立了遗传算法的基本数学框架。此后，从事遗传算法研究的学者越来越多，使之成为一种通用于多领域中的优化算法。
进入 80年代，遗传算法迎来了兴盛发展时期，国际上已召开了多次遗传算法的学术会议和研讨会，国际遗传算法学会组织召开的 ICGA(International Conference on Genetic Algorithms)会议和 FOGA(Workshop on Foundation of Genetic Algorithms)会议，为研究和应用遗传算法提供了国际交流的机会。无论是理论研究还是应用研究都成了十分热门的话题。
近年来，遗传算法在很多领域都有广泛应用，比如说生产调度，机器人学，自动控制，特别是一些非线性，多模型的复杂问题中，遗传算法更容易求解。因此，熟练地运用遗传算法，对本专业的研究和学习很有帮助。
1.2遗传算法简介
遗传算法作为进化算法的一种，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
1.1.1进化算法
进化算法，或称"演化算法" (Evolutionary Algorithms, EAs)进化算法是一系列搜索技术，基于自然进化过程的基本计算模型。与传统的基于微积分的方法和穷举法等优化算法相比，进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法。具有自组织、自适应、自学习的特性能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。
1.1.2进化算法的分支
进化计算是一些算法的统称，主要包括 Genetic Algorithms (GA遗传算法 ), Genetic Programming (GP遗传规划) 和 Gene Expression Programming (GEP基因表达式编程 )。
进化算法主要可以解决以下类别问题：
1.    函数优化
2.    符号回归
3.    时间序列预测
4.    旅行商问题
1.1.3遗传算法
遗传算法是从代表问题可能潜在的解集的一个种群（ population）开始的，而一个种群则由经过基因（ gene）编码的一定数目的个体 (inpidual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（ generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（ fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（ genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。
1.1.4遗传算法现状

迄今为止，遗传算法理论研究已取得了很大进展。Holland的模式定理为 GA奠定了数学基础。Goldberg、Rudolph采用马尔可夫链对标准遗传算法进行分析，并提出了最佳保留遗传算法。李军等建立了基于自然数编码的模式定理， Li对单亲遗传算法的模式定理进行了全面分析，给出了单亲遗传算法模式定理的表达式，并对各种遗传算子破坏模式的概率作了估算。孙艳丰等对模式定理进行了详细分析，给出了具有选择、变异两种算子的模式定理的精确表达式。明亮等提出了子模式、互补模式、模式的存活和模式的新建，给出了在模式的存活和新建共同作用下的模式定理，它深入和推广了目前模式定理的结果。巩敦卫等基于模式定理，给出了遗传算法交叉和变异概率上限，分析了含有联赛选择、一致交叉操作遗传算法运行前期和后期对优良模式的影响，该结果可用于指导遗传操作与控制参数的设计。 基于MATLAB的遗传算法仿真研究(2):http://www.youerw.com/tongxin/lunwen_39591.html