摘要：遗传算法（Genetic Algorithm）是模仿生物遗传学和自然选择机制、通过人工方式构造的一类优化搜索算法，是生物进化过程的一种数学仿真。本文第一部分首先对遗传算法的概念、原理、特点、发展历史等相关理论知识进行了详细的讲解。随后，主要是对遗传算法实现过程中的一些技术问题进行说明。最后，通过遗传算法求出函数的最值，并通过一个简单的程序进行演示。
关键词：遗传算法；染色体；适应度；函数
Abstract：Genetic Algorithm (GA) is a class of optimal search algorithm what is an imitation of biological genetics and natural selection mechanism, constructed by artificial way. It is a mathematical simulation of the process of biological evolution. Firstly, the first part of this article has a detailed explanation of the concept of genetic algorithms, principles, characteristics, history and other knowledge. Then, by the section 2, it describes some technical problems of the process of genetic algorithm. Finally, I get the most value of the function by the way of genetic algorithm, and show it through a simple program.
Key words: genetic algorithm; chromosome; fitness; function
遗传算法发展方向其实就是和其他方法结合优化问题，单方面改进遗传算法的各种算子不能取得明显进展。遗传算法以其基本思想简单、便于实现和并行搜索的优点赢得了众多学者和各种工程人员的青睐，是目前应用最广的优化搜索算法之一。但遗传算法存在收敛速度慢和易于陷入局部最优的问题，在需要优化的参数较多时，更凸现了遗传算法的不足。遗传算法如何提高遗传算法跳出局部最优的能力和如何提高遗传算法的收敛速度成为近年来遗传算法的研究热点。许多学者从不同的角度对遗传算法进行了改进，使遗传算法的寻优能力有了不同程度的提高。和其它方法结合的遗传算法才有生命力。目前，对遗传算法的研究主要集中在数学基础、各环节的实现方式以及与其他算法的结合方面。其中，尤以遗传算法与其他算法相结合方面的研究最为引人关注。由于遗传算法具有开放式的结构，与问题的关联性不大，很容易和其他算法进行结合，所以融合了其他的算法思想和遗传算法思想的混合遗传算法成了目前改进遗传算法研究的一个重要方向。
本文提出了针对旅行商问题的根据聚类和模糊系统进行的一种pc和PM的自适应调整，我们设计了一种新的交叉算子以提高遗传算法的性能。聚类技术是用来评价个体的成熟度，而模糊的机制则被用来分别计算PC和Pm的变化δPc和δPm。通过对比表明，我们的方法是健全的。
