寻找高度非线性问题的全局极小值

遗传算法 (GA) 是一种方法,基于模仿生物进化的自然选择过程求解无约束和有约束非线性优化问题。该算法反复修改由个体解构成的群体。在每个步骤,遗传算法从当前的群体随机选择个体,并将它们用作父级来生成下一代子级。经过一代又一代后,该群体“演化”为最优解。

您可以应用遗传算法求解不适合使用标准优化算法的问题,包括目标函数不连续、不可微分、随机或高度非线性等问题。

正如下表所总结的,遗传算法不同于传统的基于衍生的优化算法,主要体现在两个方面。

传统算法 遗传算法
在每次迭代时生成一个点。点的顺序接近最优解。 在每次迭代时生成点的群体。群体中的最佳点接近最优解。
通过确定性计算选择顺序中的下一个点。 通过使用随机数生成器的计算选择下一个群体。

有关应用遗传算法的更多信息,请参阅 Global Optimization Toolbox

另请参阅: Global Optimization Toolbox, Optimization Toolbox, 模拟退火, 线性规划, 二次规划, 非线性规划, 多目标优化, 遗传算法视频