遗传算法如何应用于Matlab优化多城市应急物流中心选址？

本文共计1724个文字，预计阅读时间需要7分钟。

1. 简介与传承遗传算法（Genetic Algorithm）模拟达尔文进化论，通过自然选择和遗传机制进行计算。它是一种模拟自然进化过程的搜索算法，用于寻找最优解。最初由美国密歇根大学的Michale Grefenstette提出。

1 简介

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国 Michigan 大学 J.Holland 教授于 1975 年首先提出来的。在出版了颇有影响的专著《Adaptation in Natural andArtificial Systems》之后，GA 这个名称才逐渐为人所知[1]。算法的整个运算过程就是从任一初始的群体出发，通过随机选择、交叉和变异等遗传算子，使群体一代一代地进行到空间中最好的区域，直至达到最优点。1．遗传算法的基本要素

（1）确定编码方案GA 在进行搜索前，先要将解空间的数据表示成为遗传空间的基因型串接数据，这些数据的不同组合就构成了不同的点，现阶段编码方式主要有：二进制编码、格雷码和浮点数编码。

（2）确定适应度函数遗传算法在进化搜索中基本不利用外部信息，仅以种群中每个个体的适应度函数值（fitness function）为依据进行搜索，因此适应度函数的选取至关重要。适应度函数将表明个体或解的优劣性，对于不同的问题，适应度函数的定义方式也不同。在 GA 的算法中，适应度函数的确定常常运用两种方法：① 将目标函数直接作为适应度函数② 将待求解的的目标函数做适当处理后再转化为适应度函数。

（3）确定遗传算子在 GA 中，遗传算子主要包括：选择、交叉、变异三类算子。① 选择算子选择的目的是为了从当前种群中，选出优良的个体，使它们有机会作为父带的下一代繁衍子孙。