（二）遗传算法（Genetic Algorithm, GA）流程
1. 遗传算法流程
一点说明：
在遗传算法中，将
n
n
n维决策向量
X
\bf{X}
X
=
[
x
1
,
x
2
,
.
.
.
,
x
n
]
T
=[x_1,x_2,...,x_n]^T
=[x1,x2,...,xn]T用
n
n
n个记号
X
i
(
i
=
1
,
2
,
.
.
.
,
n
)
X_i(i=1,2,...,n)
Xi(i=1,2,...,n)所组成的符号串
X
X
X来表示：
X
=
X
1
X
2
.
.
.
X
n
⇒
X
=
[
x
1
,
x
2
,
.
.
.
,
x
n
]
T
\boldsymbol{X}=X_1X_2...X_n\Rightarrow\boldsymbol{X}=[x_1,x_2,...,x_n]^T
X=X1X2...Xn⇒X=[x1,x2,...,xn]T
把每一个
X
i
X_i
Xi看作一个遗传基因，它的所有可能取值就称为等位基因，这样
X
\boldsymbol{X}
X就可看作由
n
n
n个遗传基因所组成的一个染色体。
遗传算法流程图如下所示：
具体步骤如下：
（1）初始化。设置进化迭代计数器
g
=
0
g=0
g=0，设置最大进化代数
G
G
G，随机生成
N
p
N_p
Np个个体作为初始群体
P
(
0
)
P(0)
P(0)。
（2）个体评价。计算群体
P
(
t
)
P(t)
P(t)中各个个体的适应度。
（3）选择运算。将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体。
（4）交叉运算。将交叉算子作用于群体，对选中的成对个体，以某一概率交换它们之间的部分染色体，产生新的染色体。
（5）变异运算。将变异算子作用于群体，对选中的个体，以某一概率改变某一个或一些基因值为其他的等位基因。
（6）循环操作。群体
P
(
t
)
P(t)
P(t)经过选择、交叉和变异运算之后得到下一代群体
P
(
t
+
1
)
P(t+1)
P(t+1).计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作。
（7）终止条件判断：若
g
≤
G
g\leq G
g≤G，则
g
=
g
+
1
g=g+1
g=g+1，转到步骤（2）；若
g
>
G
g>G
g>G，则此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。
2. 关键参数说明
- 群体规模
N
p
N_p
Np；
群体规模将影响遗传优化的最终结果以及遗传算法的执行效率。一般取 10 − 200. 10-200. 10−200. - 交叉概率
P
c
P_c
Pc；
交叉概率 P c P_c Pc控制着交叉操作被使用的频度。一般 P c P_c Pc取 0.25 − 1.00. 0.25-1.00. 0.25−1.00. - 变异概率
P
m
P_m
Pm；
变异在遗传算法中属于辅助性的搜索操作，它的主要目的是保持群体的多样性。通常 P m P_m Pm取 0.001 − 0.1. 0.001-0.1. 0.001−0.1. - 遗传运算的终止进化代数
G
G
G；
终止进化代数 G G G是表示遗传算法运行结束条件的一个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。一般视具体问题而定， G G G的取值可在 100 − 1000 100-1000 100−1000之间。