基本概念
（1）串
它是个体的形式，在算法中为二进制串，并且对应于遗传学中的染色体[1]。
（2）群体
个体的集合称为群体，串是群体的元素。
（3）群体大小
在群体中个体的数量称为群体的大小。
（4）基因
基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因。本文来自优.文~论~文·网原文请找腾讯3249.114
（5）基因位置
一个基因在串中的位置称为基因位置，有时也简称基因位。基因位置由串的左向右计算，例如在串S＝1101中，0的基因位置是3。基因位置对应于遗传学中的地点。
（6）基因特征值
在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。
（7）串结构空间
在串中，基因任意组合所构成的串的集合。基因操作是在结构空间中进行的。串结构空间对应于遗传学中的基因型的集合。
（8）参数空间
这是串空间在物理系统中的映射，它对应于遗传学中的表现型的集合。
（9）非线性
它对应遗传学中的异位显性。
（10）适应度
表示某一个体对于环境的适应程度。
3.算法特点
遗传算法在算法的设计过程中采用了一些独特的模拟自然界进化的方法和特征[5]，算法具有较强的鲁棒性，其主要特点有：
（1）智能性
遗传算法具有自组织、自适应和自学习等特性。根据适应值评价个体对环境的适应程度。通过变异和杂交等操作产生更适应环境的后代，在选择策略上采用适者生存、优胜劣汰的进化思想，即适应值高的个体有较高的概率被遗传到下一代。遗传算法的这种算法策略使它能根据环境的变化自动发现环境的特征和规律的能力。
（2）灵活的个体编码
灵活的个体编码使遗传算法可直接对结构对象（如：集合、树、图、链表等）进行描述和操作。人们可以解决那些结构复杂的问题。
（3）多点搜索能力
许多传统的搜索方法都是采用单点搜索方法，即通过一些变换规则，问题的解从当前的解移到另一解。对于多峰分布的搜索空间常常会陷入局部的某个单峰最优解。遗传算法是同时对多个解进行处理、评估，并行地爬多个峰。这一特点使遗传算法具有较好的全局搜索能力，减少了陷于局部优解的风险。
论文网http://www.youerw.com/
（4）并行性
遗传算法的并行性主要表现在两个方面。一是遗传算法是内在并行的。遗传算法适合在并行机或分布式系统中做大规模的并行处理。二是遗传算法是内含并行性的。由于遗传算法采用种群的方式组织搜索，从而可同时搜索空间内的多个区域，并相互交流信息，这种搜索方式使得遗传算法在执行规模N成比例的运算时，实际上已执行了大约O(N3)次有效搜索。这种特性使得遗传算法能以较少的计算获得较大的收益。
上一页 [1] [2] [3] [4] [5] [6] [7] 下一页
基于遗传算法的聚类分析算法 第4页下载如图片无法显示或论文不完整，请联系qq752018766
