遺傳算法(Genetic Algorithms簡稱GA)是由美國Michigan大學的John Holland教授于20 世紀 60 年代末創(chuàng)建的。70 年代De  Jong基于遺傳算法的思想在計算機上進行了大量 的純數(shù)值優(yōu)化計算實驗。在一系列研究工作的基礎上，80 年代由Goldberg進行歸納總結， 形成了遺傳算法的基本框架。它來源于達爾文(Charles  Darwin)的進化論和孟德爾 (G.Mendel)、摩爾根(T.H.Morgan)的遺傳學理論，通過模擬自然界遺傳機制和生物進化而 形成的一種過程搜索最優(yōu)解的算法。其特點是幾乎不需要所求問題的任何信息而僅需要 目標函數(shù)的信息，不受搜索空間是否連續(xù)或可微的限制就可找到最優(yōu)解。依據(jù)它的并行 性，非常適用于大規(guī)模并行計算機。因此，遺傳算法廣泛的應用于自動控制、計算科學、 模式識別、工程設計、智能故障診斷、管理科學和社會科學領域，適用于解決復雜的非 線性和多維空間尋優(yōu)問題。

與許多現(xiàn)有的優(yōu)化算法相比，遺傳算法具有以下優(yōu)點：

(1) 遺傳算法直接以目標函數(shù)值為搜索信息，直接處理的對象是決策變量的編碼集而 不是決策變量的實際值本身，對函數(shù)的性態(tài)無要求，搜索過程既不受優(yōu)化函數(shù)連 續(xù)性的約束，也沒有優(yōu)化函數(shù)必須可導的要求，具有較好的普適性和易擴充性。 同時，我們可以把搜索范圍集中到適應度較高的部分搜索空間中，從而提高了搜 索效率。

(2) 遺傳算法采用多點搜索或者說是群體搜索，具有顯著的隱含并行性。遺傳算法按并行方式搜索一個種群數(shù)目的點，而不是單點。它的并行性表現(xiàn)在兩個方面：一 是遺傳算法是內(nèi)在并行的、二是遺傳算法的內(nèi)含并行性。

(3) 遺傳算法是一種自適應搜索技術，具有自組織、自適應和學習性(智能性)。遺傳 算法消除了算法設計中的一個最大障礙，即需要事先描述問題的全部特點，并要 說明針對問題的不同特點算法應采取的措施，因此，它可用來解決復雜的非結構 化問題，具有很強的魯棒性。其選擇、交叉、變異等運算都是以一種概率方式來 進行，從而增加了搜索過程的靈活性，同時能以很大的概率收斂于最優(yōu)解，具有 較好的全局優(yōu)化求解能力

(4) 遺傳算法的基本思想簡單，運行方式和實現(xiàn)步驟規(guī)范，便于具體使用。

基本遺傳算法的形式化定義 基本遺傳算法可定義為一個 8 元組： SGA = (C, E, P0 , M, Φ, Γ, Ψ, T)式中

C——個體的編碼方法； 

E——個體適應度評價函數(shù)；

P0 ——初始群體； 

M——群體大?。?nbsp;

Φ——選擇算子； 

Γ——交叉算子； 

Ψ——變異算子； 

T——遺傳算法終止條件。