下载文档原格式
1 遗传算法1.1 遗传算法的定义遗传算法(GeneticAlgorithm，GA)是近多年来发展起来的一种全新的全局优化算法，它是基于了生物遗传学的观点，是模拟达尔文的遗传选择和自然淘汰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。
它通过自然选择、遗传、复制、变异等作用机制，实现各个个体的适应性的提高，从而达到全局优化。
遗传算法151解决一个实际问题通常都是从一个种群开始，而这个种群通常都是含有问题的一个集合。
这个种群是由一定数目的个体所构成的，利用生物遗传的知识我们可以知道这些个体正好组成了我们知道的染色体，也就是说染色体是由一个个有特征的个体组成的。
另外我们还知道，遗传算法是由染色体组成，而染色体是由基因组成，可以这么说，基因就决定了个体的特性，所以对于遗传算法的最开始的工作就需要进行编码工作。
然后形成初始的种群，最后进行选择、交叉和变异的操作。
1.2遗传算法的重要应用在现实应用中，遗传算法在很多领域得到很好的应用，特别是在解决多维并且相当困难的优化问题中时表现出了很大的优势。
在遗传算法的优化问题的应用中，其中最为经典的应用就是我们所熟悉的函数优化问题，它也是对遗传算法的性能进行评价的最普遍的一种算法;另外的一个最重要的应用，也就是我们本文所研究的应用—组合优化问题，一般的算法很难解决组合优化问题的搜索空间不断扩大的局面，而组合优化问题正好是解决这种问题的最有效的方法之一，在本文的研究中，比如求解TSP问题、VRP问题等方面都得到了很好的应用;另外遗传算法在航空控制系统中的应用、在图像处理和模式识别的应用、在生产调度方面的应用以及在工人智能、人工生命和机器学习方面都得到了很好的应用。
其实在当今的社会中，有关于优化方面的问题应用于各行各业中，因此有关于优化问题已经变得非常重要，它对于整个社会的发展来说都是一个不可改变的发展方向，也是社会发展的一个非常重要的需要。
1.3 遗传算法的特点遗传算法不同于传统的搜索与优化方法，它是随着问题种类的不同以及问题规模的扩大，能以有限的代价来很好的解决搜索和优化的方法。
遗传算法的概念
遗传算法（Genetic Algorithm）是基于生物学进化理论的一种优化算法。
它是模拟自然界的进化过程，通过筛选、交叉、变异等元素不断筛选出能够适应环境的个体，最终得到最优解或次优解的一种算法。
遗传算法的基本思想是将问题看作一个个体，使用种群的方式不断迭代，将群体中优劣个体进行适应度评估并进行优胜劣汰，简单来说就是不断筛选出最优的解决方案来。
遗传算法被广泛应用于各类优化问题，例如旅行商问题、机器学习和函数优化等。
什么是遗传算法遗传算法的基本意思就是说象人的遗传一样，有一批种子程序，它们通过运算得到一些结果，有好有坏，把好的一批取出来，做为下一轮计算的初值进行运算，反复如此，最终得到满意的结果。
举个例子，假如有一个动物群体，如果你能让他们当中越强壮的越能优先交配和产籽，那么千万年后，这个动物群体肯定会变得更加强壮，这是很容易理解的。
同样，对于许多算法问题，特别是NP问题，比如说最短路径，如果有400个城市，让你找出最短的旅游路线，采用穷举比较，复杂度为O（n！），这时，你可以先随机产生100种路径，然后让他们之中路程越短的那些越能优先互相交换信息(比如每条里面随机取出10个位置互相交换一下),那么循环几千次后，算出来的路径就跟最短路径非常接近了（即求出一个近似最优解）。
遗传算法的应用还有很多，基本思想都一样，但实现上可能差别非常大。
现在有许多搞算法的人不喜欢遗传算法，因为，它只给出了一种“有用”的方法，却不能保证有用的程度，与此相反，能保证接近最优程度的概率算法更受青睐。
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。
它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
它是现代有关智能计算中的关键技术之一。
1.遗传算法与自然选择 达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。
这种学说认为，生物要生存下去，就必须进行生存斗争。
生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。
在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。
遗传算法的基本运算过程如下：a)初始化：设置进化代数计数器t=0，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)。
b)个体评价：计算群体P(t)中各个个体的适应度。
c)选择运算:将选择算子作用于群体。
选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。
选择操作是建立在群体中个体的适应度评估基础上的。
d)交叉运算：将交叉算子作用于群体。
遗传算法中起核心作用的就是交叉算子。
e)变异运算：将变异算子作用于群体。
即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。
每个个体实际上是染色体(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。
遗传算法(GENETIC ALGORITHM，GA）一、遗传算法的特点:1、遗传算法的操作对象是一组可行解,而非单个可行解；搜索轨道有多条,而非单条，因而具有良好的并行性。
2、遗传算法只需要利用目标的取值信息，而无需梯度等高价值信息，因而适用于任何大规模、高度非线性的不连续多峰函数的优化以及无解析表达式的目标函数的优化，具有很强的通用性。
3、遗传算法择优机制是一种软选择，加上其良好的并行性,使它具有良好的全局优化和稳健性。
4、遗传算法操作的可行解是经过编码化的（通常采用二进制编码），目标函数解释为编码化个体(可行解）的适应值，因而具有良好的可操作性和简单性.二、遗传算法的发展与现状遗传算法的产生归功于美国的Michigan大学的Holland在20世纪60年代末、70年代初的开创性，其本意是在人工适应系统中设计的一种基于自然演化原理搜索机制。
大约在同一时代，Foegl和Rechenberg及Schwefel,引入了另两种基于自然演化原理的算法，演化程序（evolutionary programming）和演化策略（evolution strategies)。
这三种算法构成了目前演化计算（evolutionary computation）领域的三大分支，它们从不同层次、不同角度模拟自然演化原理，以达到求解问题的目的.Holland不仅设计了遗传算法的模拟与操作原理,更重要的是他运用统计策略理论对遗传算法的搜索机理进行了理论分析,建立了著名的Schema定理和隐含并行(implicit parallelism）原理，为遗传算法奠定了基础。
遗传算法应用于函数优化始于De Jone的在线（one-line）和离线（off-line）指标仍是目前衡量遗传算法性能的主要手段。
1、遗传算法在神经网络、模糊系统和机器学习中的应用神经网络的学习包含两个优化过程，分别是网络连接权重的优化和网络拓扑结构的优化。
优化连接权重最著名的方法是Rumelhart提出的基于梯度下降法的反向传播法（backpropagation，BP).BP算法的最大弱点是局部极小问题和无法学习网络拓扑结构。
遗传算法（GeneticAlgorithms）遗传算法前引：1、TSP问题1.1 TSP问题定义旅⾏商问题（Traveling Salesman Problem，TSP）称之为货担郎问题，TSP问题是⼀个经典组合优化的NP完全问题，组合优化问题是对存在组合排序或者搭配优化问题的⼀个概括，也是现实诸多领域相似问题的简化形式。
1.2 TSP问题解法传统精确算法：穷举法，动态规划近似处理算法：贪⼼算法，改良圈算法，双⽣成树算法智能算法：模拟退⽕，粒⼦群算法，蚁群算法，遗传算法等遗传算法：性质：全局优化的⾃适应概率算法2.1 遗传算法简介遗传算法的实质是通过群体搜索技术，根据适者⽣存的原则逐代进化，最终得到最优解或准最优解。
它必须做以下操作：初始群体的产⽣、求每⼀个体的适应度、根据适者⽣存的原则选择优良个体、被选出的优良个体两两配对，通过随机交叉其染⾊体的基因并随机变异某些染⾊体的基因⽣成下⼀代群体，按此⽅法使群体逐代进化，直到满⾜进化终⽌条件。
2.2 实现⽅法根据具体问题确定可⾏解域，确定⼀种编码⽅法，能⽤数值串或字符串表⽰可⾏解域的每⼀解。
对每⼀解应有⼀个度量好坏的依据，它⽤⼀函数表⽰，叫做适应度函数，⼀般由⽬标函数构成。
确定进化参数群体规模、交叉概率、变异概率、进化终⽌条件。
案例实操我⽅有⼀个基地，经度和纬度为（70，40）。
假设我⽅飞机的速度为1000km/h。
我⽅派⼀架飞机从基地出发，侦察完所有⽬标，再返回原来的基地。
在每⼀⽬标点的侦察时间不计，求该架飞机所花费的时间（假设我⽅飞机巡航时间可以充分长）。
已知100个⽬标的经度、纬度如下表所列:3.2 模型及算法求解的遗传算法的参数设定如下：种群⼤⼩M=50；最⼤代数G=100;交叉率pc=1，交叉概率为1能保证种群的充分进化；变异概率pm=0.1，⼀般⽽⾔，变异发⽣的可能性较⼩。
编码策略:初始种群：⽬标函数：交叉操作：变异操作：选择：算法图：代码实现：clc,clear, close allsj0=load('data12_1.txt');x=sj0(:,1:2:8); x=x(:);y=sj0(:,2:2:8); y=y(:);sj=[x y]; d1=[70,40];xy=[d1;sj;d1]; sj=xy*pi/180; %单位化成弧度d=zeros(102); %距离矩阵d的初始值for i=1:101for j=i+1:102d(i,j)=6370*acos(cos(sj(i,1)-sj(j,1))*cos(sj(i,2))*...cos(sj(j,2))+sin(sj(i,2))*sin(sj(j,2)));endendd=d+d'; w=50; g=100; %w为种群的个数，g为进化的代数for k=1:w %通过改良圈算法选取初始种群c=randperm(100); %产⽣1，...，100的⼀个全排列c1=[1,c+1,102]; %⽣成初始解for t=1:102 %该层循环是修改圈flag=0; %修改圈退出标志for m=1:100for n=m+2:101if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<...d(c1(m),c1(m+1))+d(c1(n),c1(n+1))c1(m+1:n)=c1(n:-1:m+1); flag=1; %修改圈endendendif flag==0J(k,c1)=1:102; break %记录下较好的解并退出当前层循环endendendJ(:,1)=0; J=J/102; %把整数序列转换成[0,1]区间上实数即染⾊体编码for k=1:g %该层循环进⾏遗传算法的操作for k=1:g %该层循环进⾏遗传算法的操作A=J; %交配产⽣⼦代A的初始染⾊体c=randperm(w); %产⽣下⾯交叉操作的染⾊体对for i=1:2:wF=2+floor(100*rand(1)); %产⽣交叉操作的地址temp=A(c(i),[F:102]); %中间变量的保存值A(c(i),[F:102])=A(c(i+1),[F:102]); %交叉操作A(c(i+1),F:102)=temp;endby=[]; %为了防⽌下⾯产⽣空地址，这⾥先初始化while ~length(by)by=find(rand(1,w)<0.1); %产⽣变异操作的地址endB=A(by,:); %产⽣变异操作的初始染⾊体for j=1:length(by)bw=sort(2+floor(100*rand(1,3))); %产⽣变异操作的3个地址%交换位置B(j,:)=B(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:102]);endG=[J;A;B]; %⽗代和⼦代种群合在⼀起[SG,ind1]=sort(G,2); %把染⾊体翻译成1，...,102的序列ind1num=size(G,1); long=zeros(1,num); %路径长度的初始值for j=1:numfor i=1:101long(j)=long(j)+d(ind1(j,i),ind1(j,i+1)); %计算每条路径长度endend[slong,ind2]=sort(long); %对路径长度按照从⼩到⼤排序J=G(ind2(1:w),:); %精选前w个较短的路径对应的染⾊体endpath=ind1(ind2(1),:), flong=slong(1) %解的路径及路径长度xx=xy(path,1);yy=xy(path,2);plot(xx,yy,'-o') %画出路径以上整个代码中没有调⽤GA⼯具箱。
遗传算法一、遗传算法的简介及来源1、遗传算法简介遗传算法（Genetic Algorithm）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，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《自然系统和人工系统的自适应》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
遗传算法模仿了生物的遗传、进化原理, 并引用了随机统计理论。
在求解过程中, 遗传算法从一个初始变量群体开始, 一代一代地寻找问题的最优解, 直至满足收敛判据或预先设定的迭代次数为止。
它是一种迭代式算法。
2、遗传算法的基本原理遗传算法是一种基于自然选择和群体遗传机理的搜索算法, 它模拟了自然选择和自然遗传过程中发生的繁殖、杂交和突变现象。
在利用遗传算法求解问题时, 问题的每个可能的解都被编码成一个“染色体”,即个体, 若干个个体构成了群体( 所有可能解) 。
在遗传算法开始时, 总是随机地产生一些个体( 即初始解) , 根据预定的目标函数对每个个体进行评价, 给出了一个适应度值。
基于此适应度值, 选择个体用来繁殖下一代。
选择操作体现了“适者生存”原理, “好”的个体被选择用来繁殖, 而“坏”的个体则被淘汰。
然后选择出来的个体经过交叉和变异算子进行再组合生成新的一代。
这一群新个体由于继承了上一代的一些优良性状,因而在性能上要优于上一代, 这样逐步朝着更优解的方向进化。
因此, 遗传算法可以看作是一个由可行解组成的群体逐代进化的过程。
3、遗传算法的一般算法（1）创建一个随机的初始状态初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。
（2）评估适应度对每一个解(染色体)指定一个适应度的值，根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。
什么是遗传算法遗传算法的基本意思就是说象人的遗传一样，有一批种子程序，它们通过运算得到一些结果，有好有坏，把好的一批取出来，做为下一轮计算的初值进行运算，反复如此，最终得到满意的结果。
举个例子，假如有一个动物群体，如果你能让他们当中越强壮的越能优先交配和产籽，那么千万年后，这个动物群体肯定会变得更加强壮，这是很容易理解的。
同样，对于许多算法问题，特别是NP问题，比如说最短路径，如果有400个城市，让你找出最短的旅游路线，采用穷举比较，复杂度为O（n！），这时，你可以先随机产生100种路径，然后让他们之中路程越短的那些越能优先互相交换信息(比如每条里面随机取出10个位置互相交换一下),那么循环几千次后，算出来的路径就跟最短路径非常接近了（即求出一个近似最优解）。
遗传算法的应用还有很多，基本思想都一样，但实现上可能差别非常大。
现在有许多搞算法的人不喜欢遗传算法，因为，它只给出了一种“有用”的方法，却不能保证有用的程度，与此相反，能保证接近最优程度的概率算法更受青睐。
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。
它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
它是现代有关智能计算中的关键技术之一。
1.遗传算法与自然选择 达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。
这种学说认为，生物要生存下去，就必须进行生存斗争。
生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。
在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。
遗传算法发展前景概况
（华北电力大学电气与电子工程学院，北京102206）
摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。
关键词：遗传算法; 遗传算子；进化计算；编码
GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT
(North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own.
KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding
1.引言
现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。
2.遗传算法基本思想
遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。
遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则经过基因编码的一定数目的个体组成。
每个个体实际上是染色体带有特征的实体。
染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。
因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。
初始种群产生之后，按照适者生存和优胜劣汰的原则，逐代演化产生出越来越好的近似解。
在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。
遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。
为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。
所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。
这一过程循环执行，直到满足优化准则为止。
3.遗传算法基本操作
（1）编码。
由于遗传算法不能直接处理解空间的解数据，因此在搜索之前必须先通过编码把解空间变量表示成遗传空间的位串结构数据，即染色体。
（2）生成初始化种群。
生成初始群体遗传算法是群体型操作算法，在对解空间变量进行编码后，紧接着就随机产生N个染色体，构成遗传算法的初始种群，然后以这个初始种群为起始点开始迭代搜索。
（3）评价个体适应度。
遗传算法在搜索进化过程中一般不需要外部信息，仅用适应度函数值来评价个体或解的优劣，并作为以后遗传操作的依据。
适应度函数表明个体对环境适应度的强弱，不同的问题，适应度函数的定义方式也不同，对函数优化问题，一般取目标函数作为适应度函数。
（4）选择。
选择的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留以繁殖后代。
判断染色体优良与否的准则就是各自的适应度值，个体适应度值越大，其被选择机会就越多。
选择操作体现了生物进化的思想。
选择的方法根据不同的问题，采用不同的选择算法。
（5）交叉。
交叉是把两个父代个体的部分结构加以替换重组而生成新个体的操作，也称基因重组。
交叉的目的是为了能在下一代中产生新个体，通过交叉操作，遗传算法的搜索能力得到飞跃的提高。
交叉是遗传算法得到新优良个体的最重要的手段。
交叉的方法有很多。
如单点交叉，多点交叉，均匀交叉。
（6）变异。
即交叉之后子代的变异。
变异操作时模拟自然界生物进化中染色体上基因发生突变的现象，从而改变染色体的结构和物理性状。
在遗传算法中，变异算子通过按变异概率P随机反转某位等位基因的二进制字符值来实现。
选择和交叉基本上完成了遗传算法的大部分搜索功能，二变异则增加了遗传算法找到接近最优解的能力。
变异首先在群体中随机的选择一个个体，以一定的概率随机的改变基因串中某个字符的值，变异操作是按位进行的，变异发生的概率极低，它本身是一种随机搜索，但与选择，交叉算子结合在一起，就能避免由复制和交叉算子引起某些信息丢失，从而保证的遗传算法的有效性。
4.遗传算法的研究发展进展和应用
遗传算法研究兴起是在20世纪80年代末和90年代初期，但它的历史起源可追溯至20世纪60年代初期。
早期的研究大多以对自然系统的计算机模拟为主。
如Fraser的模拟研究，他提出了和现在遗传算法十分相似的概念和思想。
Holland和DeJong的创造性研究成果改变了早期遗传算法研究无目的性和理论指导的缺乏。
进入20世纪80年代，遗传算法迎来了兴盛发展时期，无论是理论研究和应用研究都成了很热门的课题。
尤其是遗传算法的应用领域不断扩大。
自从遗传算法出现以来为提高遗传算法解决问题的能力的改进研究一直在进行，包括改善基本操作方法，改善编码方法，改善种群的多样性等三大类。
5.个人对遗传算法发展趋势的几点看法
从自然现象来看，生物演化的目的并非取得某一限制条件下的某些参数优化，而是适应环境。
从这一点来看，虽然目前工程实践上遗传算法的主要应用是用于优化，但真正的结果并非如此。
借鉴遗传算法和生物演化现象的紧密关系，人工生命和复杂性科学的研究与遗传算法有极其密却的联系。
从长远来看。
遗传算法还有以下发展空间：
（1）协同进化。
进化的目标不是形成一个超级物种，一个生态环境进化的结果是物种与环境的相互适应的复杂系统。
因此，应该研究多个物种早共同的生态环境中的协同进化。
对应到遗传算法，可以用于多目标的优化。
（2）学习与进化的相互作用。
可以将学习分为以下几种，（1）宗亲学习：通过血亲遗传祖先的特征遗传给后代。
（2）社团学习：经验和知识在群体中共享。
（3）个体学习：个体生存过程中的学习。
个体学习获得某种所需特性的机会。
但是除了生物界的有性生殖，突变，染色体互换和倒置等等基于生理结构的进化机制外，人类社会还存在基于社会文化的进化机制，个体在社会学
习中得到特有的更高级的进化。
6.结束语
随着计算机技术的高速发展，遗传算法将会更加广泛地应用于国民经济的各个领域，如故障诊断，工业控制，电力系统，系统辨识，神经网络，路径规划，网络通信，社会科学等。
随着遗传算法的深入研究以及与其他学科的互相融合，必将在智能领域占有越来越重要的地位。
随着理论研究的不断深入和应用领域的不断扩展，遗传算法将得到长足的发展。
参考文献
[1]吴启迪，康琦，汪镭，陆金山.自然计算导论[M].上海：上海科学技术出版社，2011
[2]张文修，梁怡.遗传算法的数学基础[M].西安：西安交通大学出版社，2000
[3]李敏强，寇纪淞，林丹，李书全.遗传算法的基本理论与应用[M].北京：科学出版社，2002
[4]巩敦卫，郝国生，周勇，郭一楠.交互式遗传算法原理及其应用[M].北京：国防工业出版社，2007
[5]赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述[J].昆明：云南民族大学学报，2004。
