数据词典：遗传算法（Genetic Algorithm）

赵老师

达尔文的进化论和孟德尔的遗传学说是人类科学史上的重要学说。在人工智能领域也有学者根据这两个学说抽象出了基于“进化”观点的学习理论，即进化计算。进化计算是一类模拟生物进化、自然选择过程与机制求解问题的自组织、自适应人工智能技术。遗传算法就是进化计算的典型代表。

进化算法的核心思想认为，生物进化过程（从简单到复杂，从低级到高级）本身是一个自然的、并行的、稳健的优化过程。这一优化过程的目标是对环境的自适应性。生物种群通过“优胜劣汰”及遗传变异来达到进化的目的。根据生物进化和遗传理论，进化过程通过繁殖、变异、竞争和选择这4种基本形式实现。如果把待解决的问题理解为对某个目标函数的全局优化，则进化计算就是建立在模拟生物进化过程基础上的随机搜索优化技术。

遗传算法是建立在自然选择和遗传学机理基础上的迭代自适应概率性搜索算法。它最早由美国密歇根大学的J.H. Holland于1975年提出。在此之前的进化计算过分依赖变异算子而不是交叉算子来产生新基因。Holland的功绩在于开发出了一种既可描述交换也可描述突变的编码技术。他提出采用简单的位串形式编码表示各种复杂结构，并用简单的变换来改进各种结构。并且他证明了遗传算法可以在搜索空间中收敛到全局最优解，从而开创了遗传算法这一新领域。后来，美国的De Jong博士首先将遗传算法应用于函数优化，为这一技术的应用奠定了基础。

【出处】鲍军鹏,张选平.人工智能导论（第2版）,机械工业出版社,2021年1月.