遗传算法的起源可追溯到20世纪60年代初期。1967年,美国密歇根大学J.Holland教授的学生Bagley在他的博士论文中首次提出了遗传算法这一术语，并讨论了遗传算法在博弈中的应用，但早期研究缺乏带有指导性的理论和计算工具的开拓。1975年，J. Holland等提出了对遗传算法理论研究极为重要的模式理论，出版了专著《自然系统和人工系统的适配》，在书中系统阐述了遗传算法的基本理论和方法，推动了遗传算法的发展。20世纪80年代后，遗传算法进入兴盛发展时期，被广泛应用于自动控制、生产计划、图像处理、机器人等研究领域。

遗传算法原理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。它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种设定的指标为止。

Plant Simulation遗传算法为解决复杂的顺序、分配和选择任务提供了优化工具。遗传算法的工作原理与生物进化是一样的。

遗传算法流程图

GA的组成:

（1）编码（产生初始种群）

（2）适应度函数

（3）遗传算子（选择、交叉、变异）

（4）运行参数

编码

编码是应用遗传算法时要解决的首要问题，也是设计遗传算法时的一个关键步骤。编码方法影响到选择算子，交叉算子、变异算子等遗传算子的运算方法，大很大程度上决定了遗传进化的效率。编码为二进制编码，浮点编码，符号编码，自然数编，矩阵编码等用的最多的也就是二进制编码。就像人类的基因有AGCT 4种序列一样。不过在这里我们只用了0和1两种序列,然后将他们串成一条链形成染色体。一个位能表示出2种状态的信息量，因此足够长的二进制染色体便能表示所有的特征。这便是二进制编码。如下：

适应度函数

在自然界中，似乎存在着一个上帝，它能够选择出每一代中比较优良的个体，而淘汰一些环境适应度较差的个人。那么在遗传算法中，如何衡量染色体的优劣呢？这就是由适应度函数完成的。适应度函数在遗传算法中扮演这个“上帝”的角色。

遗传算法在运行的过程中会进行N次迭代，每次迭代都会生成若干条染色体。适应度函数会给本次迭代中生成的所有染色体打个分，来评判这些染色体的适应度，然后将适应度较低的染色体淘汰掉，只保留适应度较高的染色体，从而经过若干次迭代后染色体的质量将越来越优良。

适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准。适应度函数总是非负的，而目标函数可能有正有负，故需要在目标函数与适应度函数之间进行变换。

评价个体适应度的一般过程为：

1.对个体编码串进行解码处理后，可得到个体的表现型。

2.由个体的表现型可计算出对应个体的目标函数值。

3.根据最优化问题的类型，由目标函数值按一定的转换规则求出个体的适应度。

声明

一、图片源自网络，具体来源已丢失。

二、部分文字内容来源于CSDN,知乎等为本人结合自己的理解整理。

三、以上如有侵权，请联系本人删除。

更多推送请关注微信公众号：plant simulation仿真圈