下载文档原格式
实验六：遗传算法求解TSP问题实验2篇第一篇：遗传算法的原理与实现1. 引言旅行商问题（TSP问题）是一个典型的组合优化问题，它要求在给定一组城市和每对城市之间的距离后，找到一条路径，使得旅行商能够在所有城市中恰好访问一次并回到起点，并且总旅行距离最短。
遗传算法作为一种生物启发式算法，在解决TSP问题中具有一定的优势。
本实验将运用遗传算法求解TSP问题，以此来探讨和研究遗传算法在优化问题上的应用。
2. 遗传算法的基本原理遗传算法是模拟自然界生物进化过程的一种优化算法。
其基本原理可以概括为：选择、交叉和变异。
（1）选择：根据问题的目标函数，以适应度函数来评估个体的优劣程度，并按照适应度值进行选择，优秀的个体被保留下来用于下一代。
（2）交叉：从选出的个体中随机选择两个个体，进行基因的交换，以产生新的个体。
交叉算子的选择及实现方式会对算法效果产生很大的影响。
（3）变异：对新生成的个体进行基因的变异操作，以保证算法的搜索能够足够广泛、全面。
通过选择、交叉和变异操作，不断迭代生成新一代的个体，遗传算法能够逐步优化解，并最终找到问题的全局最优解。
3. 实验设计与实施（1）问题定义：给定一组城市和每对城市之间的距离数据，要求找到一条路径，访问所有城市一次并回到起点，使得旅行距离最短。
（2）数据集准备：选择适当规模的城市数据集，包括城市坐标和每对城市之间的距离，用于验证遗传算法的性能。
（3）遗传算法的实现：根据遗传算法的基本原理，设计相应的选择、交叉和变异操作，确定适应度函数的定义，以及选择和优化参数的设置。
（4）实验流程：a. 初始化种群：随机生成初始种群，每个个体表示一种解（路径）。
b. 计算适应度：根据适应度函数，计算每个个体的适应度值。
c. 选择操作：根据适应度值选择一定数量的个体，作为下一代的父代。
d. 交叉操作：对父代进行交叉操作，生成新的个体。
e. 变异操作：对新生成的个体进行变异操作，以增加搜索的多样性。
利⽤遗传算法求解TSP问题⼀、摘要TSP问题是指给定平⾯上N个点及每点的坐标，求⼀条路径，遍历所有的点并回到起点，使这条路径长度最⼩。
TSP问题是⼀个组合优化问题。
该问题可以被证明具有NPC计算复杂性。
因此，任何能使该问题的求解得以简化的⽅法，都将受到⾼度的评价和关注。
遗传算法是⼈⼯智能⽅法的⼀种，⽤于求解各种传统⽅法不⽅便求解或耗时很长的问题。
下⾯给出遗传算法求解TSP问题的步骤。
在传统遗传算法求解TSP的基础上，提出了⼀种新的编码⽅式，并且讨论了⼀种优化⽅法的可⾏性。
本次实验的程序⾸先在matlab上验证了基本的算法，然⽽由于matlab运⾏较慢，故⼜移植到C++平台上，经过测试，实验结果良好。
⼆、算法实现遗传算法的实现主要包括编码、选择、交叉、编译、将个体放⼊新种群这么⼏个步骤，经过很多代的编译求解，以逼近最优解。
下⾯讨论每⼀个步骤的实现，其中编码⽅式是我在考虑了传统编码⽅式不利于计算的缺点下，重新设计的⼀种全新的编码⽅式。
编码在传统TSP问题中，编码可以直接采⽤⼆进制编码或⾃然编码的形式，⽐如直接把城市转化成（2,5,4,1,3,6）的形式，表⽰从2到5到4到1到3到6最后回到起点。
但是在求解TSP问题时，如果直接采⽤此种编码⽅式，会导致在交叉或变异时出现冲突的情况。
如（2,5,4,1,3,6）和（3,5,6,1,2,4）交换后变成了（2,5,6,1,2,6）和（3,5,4,1,3,4），显然路径出现了冲突的现象，传统的解决⽅式是通过逐步调整的⽅法来消除冲突，但是这种⽅法增加了编码的复杂度，不利于问题的求解，根据问题的特点，提出了采⽤⼀种插⼊序号的编码⽅式。
假设6个城市（1,2,3,4,5,6）现在有编码（1,1,2,2,1,3），让第n个编码表⽰n放在第⼏个空格处。
那么⽣成路径的规则是⾸先取1放在第⼀个（1），然后取2放在第⼀个空格处（2，1），然后取3放在第⼆个空格处（2,3,1），然后取4放在第⼆个空格处（2,4,3,1）然后取5放在第⼀个空格处（5,2,4,3,1）最后取6放在第3个空格处（5,2,6，4,3,1）。
遗传算法求函数最大值实验报告遗传算法是一种模拟自然界进化过程的优化算法，它通过模拟生物进化过程中的遗传、交叉和变异等机制，逐步优化解空间中的个体，以找到问题的最优解。
在本次实验中，我们利用遗传算法来求解一个函数的最大值。
下面我们将详细介绍实验的过程和结果。
首先，我们选择了一个简单的函数作为实验对象，即f(x) = x^2，在x的范围为[-10, 10]。
我们的目标是找到使函数值最大的x。
首先，我们需要定义遗传算法中的基本元素，包括编码方式、适应度函数、选择策略、交叉和变异操作等。
在本实验中，我们选择二进制编码方式，将x的范围[-10, 10]离散化为10位的二进制编码。
适应度函数即为f(x) = x^2，它表示个体的适应度。
选择策略采用轮盘赌选择算法，交叉操作采用单点交叉，变异操作采用随机位变异。
接下来，我们需要初始化种群，并迭代进行交叉和变异操作，直到满足终止条件。
在每一代中，我们根据适应度函数对种群中的个体进行评估，并根据选择策略选择父代个体进行交叉和变异操作。
通过交叉和变异操作，产生新的子代个体，并替代原有种群中的个体。
在本次实验中，我们设置了100个个体的种群，并进行了100代的迭代。
实验结果显示，经过多次迭代，算法逐渐优化到了最优解。
最终找到了使函数值最大的x，即x=10，对应的函数值为100。
总结起来，本次实验利用遗传算法求解函数的最大值，展示了遗传算法在优化问题中的应用。
通过适当选择编码方式、适应度函数和操作策略，我们可以有效地找到问题的最优解。
在后续的研究中，我们可以进一步探索遗传算法在更复杂问题上的应用，并通过改进算法的参数和操作策略来提高算法的性能。
遗传算法实验报告遗传算法实验报告引言：遗传算法是一种模拟生物进化过程的优化算法，通过模拟自然选择、遗传变异和交叉等操作，逐步优化问题的解。
本实验旨在探究遗传算法在解决优化问题中的应用，并通过实验验证其效果。
一、实验背景遗传算法最早由美国科学家约翰·霍兰德于20世纪60年代提出，其灵感来源于达尔文的进化论。
遗传算法通过基因编码、适应度评估、选择、交叉和变异等操作，模拟了进化过程中的遗传和变异，从而找到问题的最优解。
二、实验目的本实验旨在通过遗传算法解决一个经典的优化问题，验证其在解决实际问题中的有效性。
同时，对遗传算法的参数设置和操作过程进行调整和优化，以提高算法的性能。
三、实验步骤1. 问题定义：选择一个经典的优化问题，例如旅行商问题（TSP）或背包问题。
2. 解空间建模：将问题的解表示为染色体，设计基因编码方式。
3. 适应度函数定义：根据问题的特点，设计一个能够评估染色体解的适应度函数。
4. 初始化种群：随机生成一组初始染色体，作为种群。
5. 选择操作：根据适应度函数，选择一部分较优秀的染色体作为父代。
6. 交叉操作：通过交叉操作，生成新的子代染色体。
7. 变异操作：对子代染色体进行变异操作，引入新的基因变异。
8. 适应度评估：计算新的子代染色体的适应度。
9. 父代替换：根据适应度函数，选择一部分较优秀的子代染色体替换掉父代染色体。
10. 终止条件判断：判断是否满足终止条件，若满足则结束算法，否则返回步骤5。
11. 输出结果：输出最优解及其适应度值。
四、实验结果与分析通过实验，我们得到了一组优化问题的最优解，并计算出其适应度值。
通过观察实验结果，我们可以发现遗传算法在解决优化问题中的有效性。
同时，我们还可以通过调整遗传算法的参数和操作过程，进一步提高算法的性能。
五、实验总结通过本次实验，我们深入了解了遗传算法的原理和应用。
遗传算法作为一种优化算法，具有较强的适应性和鲁棒性，在解决实际问题中具有广泛的应用前景。
如何解决遗传算法中的早熟问题遗传算法是一种基于生物进化原理的优化算法，它通过模拟自然选择、交叉和变异等操作来搜索最优解。
然而，在实际应用中，遗传算法常常会遇到早熟问题，即算法在搜索过程中过早收敛到次优解，无法找到全局最优解。
本文将探讨如何解决遗传算法中的早熟问题。
一、引言遗传算法的核心思想是通过模拟生物进化的过程来搜索最优解。
它将问题抽象为一个个个体，使用染色体表示个体的基因信息，通过选择、交叉和变异等操作来不断优化个体的适应度。
然而，由于问题的复杂性和算法的随机性，遗传算法在搜索过程中容易陷入局部最优解，无法找到全局最优解，这就是遗传算法中的早熟问题。
二、早熟问题的原因早熟问题的主要原因有以下几点：1. 选择操作不合理：选择操作是遗传算法中的关键步骤，它决定了哪些个体将被保留下来进行繁衍。
如果选择操作过于依赖当前种群的适应度，就容易导致早熟问题。
2. 交叉操作过于保守：交叉操作是将两个个体的基因信息进行重组，产生新的个体。
如果交叉操作过于保守，只保留了父代个体的部分信息，就容易陷入局部最优解。
3. 变异操作不充分：变异操作是对个体的基因信息进行随机扰动，增加个体的多样性。
如果变异操作不充分，就无法有效地探索搜索空间，导致早熟问题的发生。
三、解决早熟问题的方法为了解决遗传算法中的早熟问题，可以采取以下几种方法：1. 多样性保持策略：为了增加种群的多样性，可以引入多样性保持策略，如精英保留、随机选择等。
精英保留策略是将适应度最高的个体直接复制到下一代，保留优秀的基因信息。
随机选择策略是随机选择一定比例的个体进行繁衍，增加种群的多样性。
2. 进化算子的优化：选择、交叉和变异是遗传算法的三个基本进化算子，对它们进行优化可以有效地解决早熟问题。
例如，可以采用非一致选择策略，使选择操作更具多样性；采用多点交叉或基于模型的交叉方法，增加交叉操作的多样性；采用自适应变异算子，根据当前种群的情况调整变异概率和变异幅度，增加变异操作的多样性。
遗传算法实验报告遗传算法实验报告引言：遗传算法是一种模拟自然选择和遗传机制的优化算法，它通过模拟基因的变异和交叉来寻找问题的最优解。
本实验旨在通过编写遗传算法程序，探索其在求解优化问题中的应用。
一、实验背景遗传算法最初是为了模拟达尔文的进化论而提出的。
通过模拟自然界中的进化过程，遗传算法可以逐步优化解空间，找到问题的最优解。
遗传算法适用于各种优化问题，如旅行商问题、背包问题等。
二、实验目的本实验旨在通过编写遗传算法程序，研究其在求解优化问题中的效果。
具体目标如下：1. 熟悉遗传算法的基本原理和流程；2. 实现一个简单的遗传算法程序；3. 运用该程序求解一个具体的优化问题。
三、实验步骤1. 确定问题：选择一个具体的优化问题，如旅行商问题；2. 设计编码方式：将问题转化为遗传算法可以处理的编码形式，如二进制编码；3. 初始化种群：随机生成一定数量的个体作为初始种群；4. 评估适应度：根据问题的目标函数，计算每个个体的适应度；5. 选择操作：根据适应度选择优秀的个体作为父代，采用轮盘赌等方法进行选6. 交叉操作：对选出的父代进行交叉操作，生成新的个体；7. 变异操作：对新个体进行变异操作，引入随机性；8. 更新种群：将原种群和新生成的个体合并，更新种群；9. 判断终止条件：判断是否满足终止条件，如达到最大迭代次数或找到最优解；10. 输出结果：输出找到的最优解。
四、实验结果本实验选择旅行商问题作为优化问题进行求解。
旅行商问题是一个经典的组合优化问题，目标是找到一条最短路径，使得旅行商可以依次访问一系列城市并回到起点。
经过多次实验，得到了如下结果：- 初始种群大小为100个个体；- 迭代次数为1000次；- 交叉概率为0.8，变异概率为0.01；- 最优解为路径长度为1000的路径。
五、实验分析通过对遗传算法的实验结果进行分析，可以得出以下结论：1. 遗传算法能够在一定程度上寻找到问题的最优解，但并不能保证一定找到全局最优解；2. 实验中的参数设置对算法的性能有很大影响，不同的参数设置可能导致不同的结果；3. 遗传算法适用于解决各种优化问题，但对于复杂问题可能需要更多的优化和六、实验总结通过本次实验，我们深入了解了遗传算法的原理和应用。
人工智能实验报告学号：姓名：实验名称：遗传算法实验日期：2016.1.5【实验名称】遗传算法【实验目的】掌握遗传算法的基本原理，熟悉遗传算法的运行机制，学会用遗传算法来求解问题。
【实验原理】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。
遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由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。
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，并借助于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，可以作为问题近似最优解。
遗传算法程度流程图为：【实验内容】题目：已知f(x)=x*sin(x)+1，x∈[0,2π],求f(x)的最大值和最小值。
数据结构：struct poptype{double gene[length];//染色体double realnumber;//对应的实数xdouble fitness;//适应度double rfitness;//相对适应度double cfitness;//累计适应度};struct poptype population[popsize+1];//最后一位存放max/min struct poptype newpopulation[popsize+1];//染色体编码：[0,2]x π∈，变量长度为2 π，取小数点后6位，由于2262322*102;π<<因此，染色体由23位字节的二进制矢量表示，则X 与二进制串（<b 22 b 21…… b 0>）2之间的映射如下：()2222212010bb ......b 2'i i i b x =⎛⎫=∙= ⎪⎝⎭∑;232'21x x π=- 适应度函数：由于要求f(x)的最值,所以适应度函数即可为f(x)。
关于遗传算法得实验报告一、实验目得：ﻩ理解与掌握遗传算法得应用及意义,能用一门自己擅长得语言实现遗传算法得基本功能,在此基础上进一步理解与巩固对遗传算法得重要,以便在今后得学习与工作中能有效得运用与借鉴！需要指出得就是遗传算法并不就是能保证所得到得就就是最佳得答案但通过一定得方法可以将误差控制在一定得范围内!二、实验原理与题目:1、遗传算法就是一种基于空间搜索得算法,它通过自然选择、遗传、变异等操作以及达尔文得适者生存得理论,模拟自然进化过程来寻找所求问题得答案。
其求解过程就是个最优化得过程。
一般遗传算法得主要步骤如下:(1)随机产生一个确定长度得特征字符串组成得初始种群。
（２)对该字符串种群迭代地执行下面得步骤a与步骤b,直到满足停止准则为止：ａ计算种群中每个个体字符串得适应值；ｂ应用复制、交叉与变异等遗传算子产生下一代种群。
（3）把在后代中表现得最好得个体字符串指定为遗传算法得执行结果，即为问题得一个解。
2、通过编码、设置种群、设置适应度函数、遗传操作、解码产生需要得解。
ｆ(x)=x*sｉｎ(x）＋1,ｘ∈［0，2π]，求解f（x）得最大值与最小值。
三、实验条件硬件:微型计算机。
ﻩ语言:本实验选用得为C+＋语言。
四、实验内容：建造针对f(x)得遗传算法程序，然后进行运行求解。
五、实验步骤:ﻩ1、确定基本功能：本实验就是实现f(ｘ)得最大值与最小值得求解。
2、对f(x)进行编码:用一个二进制矢量表示一个染色体,由染色体来代表变量x得实数值,这里精度取小数点后6位数,变量x得域长为2π,整个区间被分为2π＊100０000个等长得区间。
由于2π＊10００000在２3位二进制数得表示范围呢，所以,编码长度为２3位。
3、设计适应度函数:由于要求f（x)得最值,所以适应度函数可根据f(x）做适当得改变。
最大值:ｆ(x）=ｘ＊ｓｉn(x)+5;最小值:f（x)=１／(ｘ＊siｎ(x）+5);4、针对f（ｘ)得设计并且实现遗传算法程序:遗传操作主要包括复制、交叉与变异。
遗传算法的实验问题I.实验问题对函数求解全局最大值。
II.实验目的本实验的主要目的是通过MATLAB编程，使学生熟悉并掌握常用的MATLAB函数，同时对遗传算法有个初步的了解。
III.相关知识遗传算法是进化算法中产生最早、影响最大、应用也比较广泛的一个研究方向和领域，其基本思想是由美国密执安大学的John H. Holland教授于1962年率先提出的。
1975年，他出版了专著《自然与人工系统中的适应性行为》(Adaptation in Natural and Artificial Systems)[19]，该书系统地阐述了遗传算法的基本理论和方法，确立了遗传算法的基本数学框架。
此后，从事遗传算法研究的学者越来越多，使之成为一种通用于多领域中的优化算法。
遗传算法是一种基于生物的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、交配和突变现象。
它将每个可能的解看做是群体（所有可能解）中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适应度值。
开始时总是随机地产生一些个体（即候选解），根据这些个体的适应度利用遗传算子对这些个体进行操作，得到一群新个体，这群新个体由于继承了上一代的一些优良性状，因而明显优于上一代，这样逐步朝着更优解的方向进化。
遗传算法在每一代同时搜索参数空间的不同区域，然后把注意力集中到解空间中期望值最高的部分，从而使找到全局最优解的可能性大大增加。
作为进化算法的一个重要组成部分，遗传算法不仅包含了进化算法的基本形式和全部优点，同时还具备若干独特的性能：1) 在求解问题时，遗传算法首先要选择编码方式，它直接处理的对象是参数的编码集而不是问题参数本身，搜索过程既不受优化函数连续性的约束，也没有函数导数必须存在的要求。
通过优良染色体基因的重组，遗传算法可以有效地处理传统上非常复杂的优化函数求解问题。
2) 若遗传算法在每一代对群体规模为n的个体进行操作，实际上处理了大约O（n3）个模式，具有很高的并行性，因而具有明显的搜索效率。
3) 在所求解问题为非连续、多峰以及有噪声的情况下，能够以很大的概率收敛到最优解或满意解，因而具有较好的全局最优解求解能力。
4) 对函数的性态无要求，针对某一问题的遗传算法经简单修改即可适应于其他问题，或者加入特定问题的领域知识，或者与已有算法相结合，能够较好地解决一类复杂问题，因而具有较好的普适性和易扩充性。
5) 遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。
1.遗传算法对问题的描述对于一个求函数最大值的优化问题（求函数最小值也雷同），一般可描述为下述数学规划模型：(1)式中，X=[x1,x2,...,xn]T 为决策变量，f(X)为目标函数，和为约束条件，U是基本空间，R 是U的一个子集。
集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。
它们的关系如图1所示。
图1 最优化问题的可行解及可行解集合在遗传算法中，将n维决策向量X=[x1,x2,...,xn]T用n个记号Xi（i=1，2，...，n）所组成的符号串X来表示：X = X1X2...Xn X=[x1 , x2 ,...,xn]T把每个Xi看作一个遗传基因，它的所有可能取值称为等位基因，这样，X就可看做是由n个遗传基因所组成的一个染色体。
一般情况下，染色体的长度n是固定的，但对一些问题n也可以是变化的。
根据不同的情况，这里的等位基因可以是一组整数，也可以是某一范围内的实数值，或者是纯粹的一个符号。
最简单的等位基因是由0和1这两个整数组成的，相应的染色体就可表示为一个二进制符号串。
这种编码所形成的排列形式X是个体的基因型，与它对应的X值是个体的表现型。
通常个体的表现型和基因型是一一对应的，但有时也允许基因型和表现型是多对一的关系。
染色体X也称为个体X，对于每个个体X，要按照一定的规则确定出其适应度。
个体的适应度与其对应的个体表现型X的目标函数值相关联，X越接近于目标函数的最优点，其适应度越大；反之，其适应度越小。
在遗传算法中，决策变量X组成了问题的解空间。
对问题最优解的搜索是通过对染色体X的搜索过程来进行的，从而由所有的染色体X就组成了问题的搜索空间。
生物的进化是以集团为主体的。
与此相对应，遗传算法的运算对象是由M个个体所组成的集合，称为群体（或种群）。
与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一个反复迭代的过程，第ｔ代群体记做P(t)，经过一代遗传和进化后，得到第t+1代群体，它们也是由多个个体组成的集合，记做P(t+1)。
这个群体不断地经过遗传和进化操作，并且每次都按照优胜劣汰的规则将适应度高的个体更多地遗传到下一代，这样最终在群体中将会得到一个优良的个体X，它所对应的表现型X将达到或接近于问题的最优解X*。
生物的进化过程主要是通过染色体之间的交叉和染色体的变异来完成的。
与此相对应，遗传算法中最优解的搜索过程也模仿生物的这个进化过程，使用所谓的遗传算子作用于群体P(t)中，进行下述遗传操作，从而得到新一代群体P(t+1)。
·选择（selectin）：根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)中。
·交叉（crossover）：将群体P(t)内的各个个体随机搭配成对，对每一对个体，以某个概率（称为交叉概率，crossoverrate）交换它们之间的部分染色体。
·变异（mutation）：对群体P(t)中的每一个个体，以某一概率（称为变异概率，mutationrate）改变某一个或某一些基因座上的基因值为其他的等位基因。
2.遗传算法的运算流程遗传算法的主要运算流程如下：步骤一：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)。
步骤二：个体评价。
计算群体P(t)中各个个体的适应度。
步骤三：选择运算。
将选择算子作用于群体。
步骤四：交叉运算。
将交叉算子作用于群体。
步骤五：变异运算。
将变异算子作用于群体。
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)。
步骤六：终止条件判断。
若t≤T，则：t=t+1，转到步骤二；若t>T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。
具体的流程示意图见图2所示。
图2 遗传算法的运算过程示意2.3 基本遗传算法基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发了许多种不同的遗传算子来模仿不同环境下的生物遗传特性。
这样，由不同的编码方法和不同的遗传算子就构成了各种不同的遗传算法。
但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。
基于这个共同特点，Goldberg总结出了一种统一的最基本的遗传算法--基本遗传算法（simple genetic algorithms，简称SGA）[20]。
基本遗传算法只使用选择算子、交叉算子和变异算子这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。
下面给出基本遗传算法的构成要素：(1) 染色体编码方法。
基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。
初始群体中各个个体的基因值可用均匀分布的随机数来生成。
如：X=100111001000101101就可表示一个个体，该个体的染色体长度是n=18。
(2) 个体适应度评价。
基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。
为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。
这样，根据不同种类的问题，必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。
(3) 遗传算子。
基本遗传算法使用下述三种遗传算子：·选择运算使用比例选择算子；·交叉运算使用单点交叉算子；·变异运算使用基本位变异算子或均匀变异算子。
(4) 基本遗传算法的运行参数。
基本遗传算法有下述4个运行参数需要提前设定：·N ：群体大小，即群体中所含染色体的数量，一般取为20～100。
·maxgen ：遗传运算的终止进化代数，一般取为100～500。
·pc ：交叉概率，一般取为0.4～0.99。
·pm ：变异概率，一般取为0.0001～0.1。
需要说明的是，这里给出的4个运行参数的取值范围是在经过了多次试验后得到的经验值，它们对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择它们的理论依据。
所以我们在遗传算法的实际应用中，要根据问题的不同并经过多次试验来合理地选择这些参数的取值大小或取值范围。
IV.实验数据集1. 实验程序例文（用MATLAB实现遗传算法程序.pdf）2. 训练问题：求全局最大值。
3. 实验问题：求全局最大值。
4. 例文（改进的遗传模糊聚类算法.doc）2。
