遗传算法的应用与Matlab仿真
摘 要 ：遗传算法，是由美国一个大学的一个教授提出来的，是模拟达尔文进化论来搜索最优解的方法，它是初型的一门新兴的学科，经过十年的发展，遗传算法已经形成了一个庞大的算法类其算法变体不胜枚举，应用也不断拓展。该方法现在又被人称为是模拟进化或进化计算的方法，它是模仿生物界的自然选择来解决现实中我们所遇到的问题。它对于解决优化问题如条件选择、参数拟合等，具有很多的优势。我们将会在本文章中详细讲解遗传算法的基本原理，应用场合，和以后改进的方法以及在实际生活中对遗传算法的应用。 本文章介绍非线性规划研究一个n元实函数在一组等式或不等式的约束条件下的极值问题，随着计算机技术的飞速发展时期，非线性规划方法取得了长足进步，在信赖域法、稀疏拟牛顿法、并行计算、内点法和有限储存法等领域取得了丰硕的研究成果。另外介绍的是量子遗传算法的应用，量子遗传算法建立在量子的态矢量表示的基础之上，将量子比特的几率幅表示应用于染色体的编码，使得每条染色体可以表达多个态的叠加，并利用量子逻辑门实现染色体的更新操作，从而实现了目标优化求解。利用Matlab这一编程语言开发，在程序的开发过程中不但具有语句简单易懂，效率高的优点.，而且经仿真验证，该算法是正确可行的。
关键词：Matlab；遗传算法；优化效率。
Application of Genetic Algorithm
Abstract:Genetic algorithm, it is by a professor from a university in the United States, is to simulate Darwinian evolution to search the optimal solution method, it is at the beginning of an emerging discipline, after 10 years of development, the genetic algorithm (ga) have formed a huge variation algorithm class algorithm, applications continue to expand. Now known as the method is to simulate the evolution or evolutionary computation method, it is an imitation of biological natural selection to solve the problems we encountered in reality. It for solving optimization problems, such as the condition selection, parameter fitting and so on, have a lot of advantages. We will explain in more detail in this article the basic principle of genetic algorithm, applications, and after the improvement methods and the application of genetic algorithm in real life. This article introduces a n yuan real function in nonlinear programming research a set of extremum problems under the condition of equality or inequality constraints, with the rapid development of computer technology, nonlinear programming method is greatly improved, the trust region method, the sparse quasi-newton method, parallel computing, interior-point method and limited storage method, and other fields has achieved fruitful research results. Also introduces the application of quantum genetic algorithm (ga), the quantum genetic algorithm based on quantum state vector said, on the basis of applying probability of quantum bit said to chromosome coding, allowing each chromosome to express the superposition of multiple, and chromosome by using quantum logic gate, the update operation, to achieve the optimal solution. Using the Matlab programming language development, the development process of the program not only have simple statement to understand,. The advantages of high efficiency, and it has been verified by the simulation, the algorithm is correct and feasible.
Key words: Matlab; Genetic algorithm; The optimization efficiency.
一、绪论
(一)遗传算法概述
总所周知，遗传算法是我们非常熟悉的算法，它是根据自然界生物进化提出来的。Michigen大学的Holland教授受根据到达尔文的进化论和孟德尔的遗传学的理论，以试探性的角度提出研究，后来他成为了遗传算法的一个新的领域。自然界生物就是对遗传算法所产生的没个结果进行对比，每个结果就相当于生物进化的染色体，他们随机适配、选择适合自己的染色体，这样下来好的染色体比差的染色体将会获得更多的被选中的机会。自然进化过程中的”适者生存”选择规律在遗传算法中就是有效利用已有的信息去搜索那些有希望改善质量的串。
遗传算法是对自然界的有效了吧，并从自然界现象中抽象出来，所以它的生物学概念与相应生物学中的概念不一定等同，它只是生物学概念的简单”代用”。其实它的基本原理是效仿生物界遗传学中物竞天择，适者生存的自然演化规则。遗传算法就是把问题参数编码为染色体基因。基因组成的串作为染色体，或者称其为基因型个体。群体就是一定的数量的个体组成的。
（二）遗传算法研究背景
在当今社会，随着人工智能的发展和网络技术的飞速发展，各种学科的科学和技术等相互交叉，互相浸透交融，不单给人们的生活、学习和工作等方面带了便当，并且也从根本上转变了人类的生活和生产。同时，随着人类生存空间的扩大以及世界知识水平的不断提高，提出了更高的要求，越来越多的人对科学技术的发展，期待更多的研究学者的不断研究和改进，其中包含的智能算法的优化的要求也是得到了非常迫切需求。 近些年来已经有很多的研究学者，尤其是在生物遗传方面的研究专家和学者，专家学者们通过对比自然生活中很多种生物的生活习惯现象和遗传规律，从而进行了大量的计算统计。研究和探讨其发展的规律，在对比得出的结果提出了很多的智能算法。这种智能算法被称为的智能仿生算法，许多的学者们都是基于对虫豸相互协作并进行研究，从生物学进化和自然学，以及仿生学等很多角度得到启发而试探提出研究的。现在一些智能算法已经成为非常成熟的理论数据，但是要把它们很好的利用在现实生活还是有很多问题，理论与现实的差距还是很大的。这就要我们继续深入探讨，研究，做出更多的改进，更好的是适应现实操作。
（三）课题意义
遗传算法具备非常优秀的全局搜寻的能力，能够精准地将庞大解集空间中的所有的解搜索出来，并且花费很少的时间。而且，这种算法还有一个很伟大的优点，就是在执行的时候程序不会落入部分最优解的快速下落的陷阱，这样有大大提高了效率。而且使用它的内部进行系统的整理，以并行性的方式整理成块，这样在搜索的时候就能够容易地进行分布式计算，这样无疑节省了求解所用的时间。大大提高了计算速率。随着数据的增加，所应用领域也越来越广泛，又有许多的问题被发现：一是根据遗传算法的所应用的机器学习，一个全新的研究课题被提了出来，学者们认为把传统的遗传算法进行改变，传统的算法是从离散的搜寻空间的优化搜索算法，我们可以试着扩展到具有特别的条例生成搜索标签功能的全新模式的的机器学习算法。
二、遗传算法算法应用场合与原理
（一）应用场合
遗传算法可处理连续变量参数的优化问题,特别是适用于复杂非线性问题的处理。遗传算法的应用非常广泛目前，通过一些化学计量学家的开拓性工作，遗传算法已开始被构造用于解决各种化学上的优化问题。例如：(1)参数优化。(2)光谱模拟和光谱解析。对于给定的分子结构信息，用遗传算法可进行光谱的模拟计算，虽然光谱的解析对遗传算法来说非常困难的。(3)变量分析。(4)分子结构象分析，特别是聚合物、生物大分子等的构象分析。生物大分子的构象可以利用一系列的二面饥饿哦啊度来描述，这些二面角用二进制串或等实数表示为遗传算法的染色体，评价函数采用计算的某种光谱与实验值的差别。利用相同的方法可寻找有机物同分异构体，将各个原子的标号棉麻为染色体，优化的目标函数为最小距离，使化学距离最小的结构即为最可能的同分异构体。
目 录
一、绪论 1
(一) 遗传算法概述 1
（二）遗传算法研究背景 2
（三）课题意义 2
二、遗传算法算法应用场合与原理 3
（一） 应用场合 3
（二）工作原理 3
（三）优缺点 5
三、 遗传算法应用1 6
(一) 应用场景一 6
1、算法流程 7
2、算法实现 8
四、遗传算法应用2 18
（一） 应用场景二 18
1、算法流程 19
2、算法实现 21
五、结论与展望 30
参考文献 32
参考文献
[1]吴家英，郑金华.遗传算法的研究与发展动向[J].横阳师范学报,2003.
[2]杨俊安，庄镇泉.量子遗传算法研究现状[J]. 计算机科学，2013.
[3]曾成，周锡均.改进量子遗传算法在PID参数整定中应用[J].电力自动化设备，2009.
[4]吉根林.遗传算法研究综述[J].计算机应用与软件,2004,2.
[5]王春水，肖学柱，陈汉明.遗传算法的应用举例[J].计算机仿真,2005,6.
[6]杨淑媛，焦李成，刘芳.量子进化算法[J].工程数学报，2006.
[7]周传华，钱峰，改进量子遗传算法极其应用[J]，计算机应用，2008.
[8]袁书卿，张葛祥.一种改进的遗传算法极其应用[J],计算机应用与软件，2003.
[9]王万良，吴启迪.生产调度智能算法极其应用[M].北京:清华大学出版社出版社，2007.
[10]王凌.车间调度极其遗传算法[M].北京:清华大学出版社出版社,2003.
[11]汪定伟.智能化优化方法[M]. 北京:高等教育出本社,2007.
[12]李明，遗传算法的改进极其在优化问题中的应用研究[D].长沙:湖南大学，2004.
