表现型(Phenotype) 参数集、解码结构、候选解

遗传隐匿 非线性

个体(Inpidual) 解

适者生存 在算法停止时，最优目标值的解忧最大的可能被留住

适应性(Fitness) 适应度函数值

群体(Population) 选定的一组解(其中解的个数为群体的规模)

复制(Reproduction) 根据适应函数值选取的一组解

交配(Crossover) 通过交配原则产生一组新解的过程

变异(Mutation) 编码的某一个分量发生变化的过程

2。2简单的遗传算法

简单遗传算法（也称标准遗传算法或基本遗传算法，Simple Genetic Algorithm，简称SGA）是一种群体型操作，该操作以群体中的所有个体为对象，其遗传进化操作过程简单而且容易理解，是其他遗传算法的基础，它不仅仅是各种遗传算法的基本框架同时也具有一定的应用价值[11-12]。

2。2。1遗传算法的基本要素

现在实际应用的遗传算法虽然有诸多改进方案，但都包含五个基本要素：编码，初始种群的生成，适应度值评价函数，遗传操作和基本参数的设定。以下作出具体介绍：

（1）编码

解空间的解数据作为遗传算法的表现形形式。从表现型到基因型的映射称为编码。在一般情况下，问题的状况空间数据不由遗传算法直接处理，而是由一定的方式建立与染色体的对应关系，这样具体的各种问题都会被抽象出来而建立一个统一的模板。在进行搜索前，遗传算法先将解空间的解数据表示成遗传空间的基因型串结构数据，不同的点就由这些串结构数据的不同组合构成。常用的编码方式有二进制编码、格雷码编码、符号编码、树编码、浮点数编码、多参数级联编码、自适应编码等，而我们最常用的就是二进制编码。例如有函数，现在我们用5位的二进制编码对进行编码，得到 个二进制串（染色体）：

00000，00001，00010，00011，00100，00101，00110，00111

01000，01001，01010，01011，01100，01101，01110，01111

10000，10001，10010，10011，10100，10101，10110，10111

11000，11001，11010，11011，11100，11101， 11110，11111

对于任意二进制串都可以找到对应的解码，如=10101，对应的十进制数为21，则对应参数的值为 。

（2）初始种群的生成文献综述

随机生成N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器 ；设置最大进化代数T；随机生成M个个体作为初始群体P(0)。

（3）适应度值评价函数

适应度函数表明个体或解的优劣性。对应不同的问题，适应度函数的定义方式不同。根据具体的问题，计算群体P(t)中各个个体的适应度。

（4）遗传操作

遗传算法有三个基本操作：选择（Selection）、交叉（Crossover）和变异（Mutation）。

a)选择。选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。根据各个个体的适应度，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。遗传算法通过选择运算提醒这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。这样就体现了达尔文的适者生存原则。 MATLAB基于模糊逻辑的遗传算法优化设计(3):http://www.youerw.com/zidonghua/lunwen_93040.html