1.简述传统优化算法与遗传算法的特点及其优缺点。
传统优化算法的特点：
A.传统优化算法一般是确定性算法，有固定的结构和参数，计算复杂度和收敛性可做理论分析。
B.传统优化算法大多属于凸优化范畴，有唯一明确的全局最优解。
C.传统优化算法一般是针对结构化的问题，有较为明确的问题和条件描述，如线性规划、二次规划、整数规划、混合规划、带约束和不带约束等，即有清晰的结构信息。
遗传算法的特点：
A.遗传算法是对参数的编码进行操作，而不是对参数本身，因而适应于求解复杂的优化问题，应用范围很广。
B.遗传算法属于种群搜索算法，易于并行处理，可以有效防止局部搜索过程收敛于局部最优解，而且有较大的可能求得全局最优解。
C.遗传算法通过目标函数来计算适应度值，而不需要其他信息，从而对问题的依赖性较小。
D.遗传算法使用概率的转变原则，而不是确定性的规则。
E.遗传算法在解空间内不是盲目地穷举或完全随机搜索，而是一种启发性搜索，其搜索效率往往优于其它方法。
F.遗传算法对于待寻优的函数基本无限制，因而应用范围很广。
遗传算法的优点：
A. 与问题领域无关且具有快速随机的搜索能力。
B. 搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较。
C. 搜索使用评价函数启发，过程简单
D. 使用概率机制进行迭代，具有随机性。
E. 具有可扩展性，容易与其他算法结合。
遗传算法的缺点：
A.收敛速度慢。
B.局部搜索能力较差。
C.控制变量较多。
D.无确定的终止准则。
2. 简述遗传算法的基本原理，并给出基本遗传算法的求解步骤和流程图
遗传算法的基本原理：
遗传算法是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（适应度函数）从解群中选择较优的个体，利用遗传算子（选择、交叉和变异）对这些个体进行重组，
产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
基本遗传算法的求解步骤：
A.初始化。设置进化代数计数器k=0，设置群体规模，最大进化代数M，交叉概率、变异概率。随机生成pop个个体作为初始种群。
B.个体评价。计算群体p(k)中个体的适应度。
C.终止条件判断。若k>M，则以当前的种群中具有最大适应度的个体作为
最优解输出，终止计算。否则，转步骤D。
D.选择操作。将选择算子作用于群体。
E.交叉操作。将交叉算子作用于群体
F.变异操作。将变异算子作用于群体。
G.群体p(k)经过选择、交叉和变异操作后得到下一代群体p(k+1)，令
k=k+1，转步骤B。
3. 简述遗传算法中，De Jong提出的两条具体的编码原则。
A．有意义积木块编码原则。所采用的编码应易于生成与所求问题相关的低阶、短定义距以及平均适应度高于群体平均适应度的积木块。
B．最小字符集编码原则。所采用的编码应采用最小字符集，以使问题得以自然的描述。
De Jong基于模式定理和积木块假设提出了原则1。在很多情况下，染色体中的基因的地位并不平等，某些基因的突变将对适应度值带来很大变化，而另
一种基因的变化对适应度值的影响较小。影响大的基于成为敏感基因。许多敏
感基因家当的组合决定了GA的寻优方向。在实际编码时，按原则1，应将敏感
基因排列在一起，形成所谓的密排基因快，这种密排基因快一旦形成，不易被
破坏，容易被子代继承。
De Jong提出的原则2实际上是一个被广泛采用和认可的原则。最早提出并使用至今的二值编码即符合这一原则。这不仅是因为二值编码是最简单的编
码形式，更重要的是二值编码含有更多的模式，更容易找到染色体的相似结构。
4. 在遗传算法中，对实数变量采用二进制方式编码。假设一维实变量X的取值范围为[X L,X U]，其编码精度为δ，写出二进制编码长度N应满足的数学关系式，以及相应的编码、译码数学关系式。
由于参数X的取值范围为[X L,X U]，编码精度为δ，所以将[X L,X U]分为（X U-
X L）/δ份，则编码的长度N应满足：
2N-1δ
≤2N‒1
log 2(X U ‒X L δ+1)≤N 得到串长为N 的二进制数，最小整数为0，最大整数为。所有N 位二
2N ‒1进制数为0,1,2，……，共有个整数。
2N ‒12N 设串长为N 的二进制表示为B=b L b L-1……b 2b 1，b i {0,1}。则它的整数I ∈为。
I =∑N
i =1b i ×2i ‒1一般地，对定义在区间[X L ,X U ]上的一维实变量X ，用N 为二进制码b N b N-1…b 2b 1,对其进行编码，则
X 与二进制码之间的关系为 X =X L +X U ‒X L
2N ‒1∑N
i =1b i ×2i ‒15.简述进化算法中种群规模和初始种群的设定原则。
种群规模是遗传算法的控制参数之一，如何设定种群规模是一个未解决的问题。种群规模太大，计算量增大，影响GA 的效率，也会影响交叉策略。而群体规模太小，GA 搜索空间有限，会导致未成熟收敛现象。实际中，群体规模在几十到几百之间取值、问题越难。维数越高，种群规模越大。
初始种群的设定，一般情况下，GA 随机生成初始种群。在有先验知识的情况下，应根据已有的信息生成初始种群。在无任何先验知识的情况下，初始种群应均匀散步在搜索空间中，以增强初始种群的多样性，提高GA 求得全局最优解的概率。
6.简述遗传算法中常用的适应度比例选择和联赛选择方法，以及其使用的条件。
适应度比例选择方法又称为轮盘赌方法，采用该策略选择时，各个个体被选择的概率与其适应度成正比。即选取的概率为该个体的适应值与每个个体适应度总和的比值。条件为适应度函数f(x)>0。
联赛选择方法它是基于个体适应度值之间大小关系的选择方法，不必满足f(x)>0的条件。每次进行适应度值大小比较的个体数目称为联赛的规模。一般联赛规模N=2。过程如下：
A ．从群体中随机选N 个个体进行适应度值大小进行比较，将适应度值最高的个体遗传给下一代。
B ．将上述过程重复M 次，就可得到下一代群体中的M 个个体。
7.简述遗传算法中常用的两种交叉运算方法，并分别举例说明。
遗传算法常用的两种交叉运算为单点交叉和双点交叉。
单点交叉又称为简单交叉，当染色体长度为N 时，可能有N-1个交叉点，因此可能有N-1个交叉结果。
例如两个染色体的序列分别为：xxyxyxxyyx ，xyyyyxxyx 在第四点进行交
