1。2遗传算法的发展情况

1。3本文研究内容

遗传算法一直都是智能优化方面一个重要的研究内容，在生物科学，计算机科学，信息科学的交叉学科，都以其简单、易行、鲁棒性强而备受关注。

遗传算法的优势在于它不需要专深的领域知识就能取得很好的结果，但是标准的遗传算法本身也存在着缺陷，究其原因就是交叉操作的开发能力和利用能力之间造成的矛盾，本文的主要研究内容就集中在遗传算法交叉操作的性能以及遗传算法在应用到TSP问题中时交叉操作对算法性能的影响。

    本文研究了遗传算法在求解旅行商问题的中的应用。通过在MATLAB中编写程序实现该问题的遗传算法，本文分别实现了采用两种不同交叉操作的遗传算法来比较它们在TSP问题应用中的性能。

1。4全文安排

本文共有五章。

第一章简单介绍了遗传算法的特点和研究现状，并提出本文的研究内容和文章安排。

第二章介绍遗传算法，遗传算法的概念和理论是全文的核心以及实验的基础。

第三章主要分析遗传算法的不足，针对其缺点选用禁忌搜索算法做出改进，

第四章介绍了TSP问题，对算法进行详细设计，并分析在MATLAB中得到的试验结果，对改进后的遗传算法的进行比较分析。

第五章是本文的总结及展望。

2。遗传算法简介

2。1遗传算法的基本概念 

借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。遗传算法是一类可用于复杂系统优化的搜索算法，与传统的优化算法相比，主要有以下特点:

1、遗传算法以决策变量的编码作为运算对象。文献综述

2、遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。

    3、遗传算法使用多个点的搜索信息，具有隐含并行性。

4、遗传算法使用概率搜索技术，而非确定性规则。

    传统的优化算法往往直接决策变量的实际植本身，而遗传算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以，广泛应用于很多学科。在文献中很明确的提到了遗传算法的应用领域下面是遗传算法的一此主要应用领域。[2]

1。函数优化

函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等。用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。而遗传算法却可以方便地得到较好的结果。来-自~优+尔=论.文,网www.youerw.com +QQ752018766-

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扩大。有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功的应用。