Matlab小生境遗传算法的多峰函数优化问题研究(2)
遗传算法经历了长久的发展，科学家们对它的研究也获得了显著的成果，特别是最近几年随着各种计算方法不断改进，许多应用学科研究的重要方向已经转化成了智能计算。遗传算法具备适应性强、学习能力强的特性，因此也成为了重点研究方向。
经过大量的研究表明：简单遗传算法（SGA ）在独立解决单峰值函数优化问题时是相当有效的，但当它面对大量的多峰值复杂函数优化问题是，SGA 往往只能收敛于局部最优解。
将小生境（niche）技术引入遗传算法后，我们可以发现：基于这种小生境的遗传算法（Niched Genetic Algorithms，NGA），这样可以使得遗传算法保持解的多样性，同时使它具有更高的全局寻优能力和收敛速度，让它特别适合于复杂多峰函数的优化问题。
1.2 遗传算法研究的新动向
目前，在各个领域中不只是遗传算法被用于问题优化。此外，一些新的理论和方法也得到了快速的发展。伴随着社会的不断发展，各种这样的新型领域也随之突起，遗传算法的研究也出现了备受瞩目的新方向：
（1）遗传算法和另一个称为人工生命的新兴研究领域已经在生活中获得了普遍的发挥。人工生命就是用计算机模拟生物界中的各种生命现象，其重点研究对象包括生物的自适应、进化和免疫等。
（2）在数据挖掘领域中遗传算法得到了广泛的应用。数据挖掘的主要内容是叙述数据里的模式和数据之间的关系，它的主要任务是对检测到的数据库的进行处理。这门学科结合了数据库管理、人工智能、统计学及数据的可视化的学科。目前有许多的学者正研究如何有效地利用遗传算法方法来实现数据搜索。
（3）遗传算法的并行处理研究。此研究对于新一代智能计算机体系结构的发展具有重大意义。
（4）遗传算法和不断进化的计算理论相结合。遗传算法和EP 和ES同时发展起来的，它们都是模拟自然界生物进化机制的智能计算方法，它们和遗传算法有相同点也有不同点。就目前来看，科学家们研究热点果断成为了它们三者之间的关系。
（5）遗传算法逐步结合各种领域的理论。这对于发展未来新的智能计算技术将具有重要的意义。
1.3 遗传算法今后的主要研究方向
经历了长久的发展，遗传算法作为一种搜索算法已经逐步成型，它在寻找问题最优解的问题上有着独特的方式。遗传算法目前的研究任务主要在于它的基本理论以及其有效操作的改善。以下是概述遗传算法现阶段研究课题的几个主要方面。
（1）遗传编程
遗传编程是在遗传算法应用领域中的深入，在90年代初Stanford大学的J.R.Koza提出了遗传编程的思想，与遗传算法的基本思想也有部分相似之处，但是在自适应进化模拟中的求解程序延伸了结构上的复杂性。如今最复杂的智能活动之一就是求解程序，假如遗传算法可以成功的搜索程序空间，因而也可从另一方面强化遗传算法的能力并增加它的使用范围。科学家Koza在基于试验中表明：对大多数问题，可以通过遗传程序设计，让机器能够自动产生解决问题的程序。
（2）生物进化与遗传算法的研究
随着分子生物学的快速发展，生物的超精密机制和结构正在慢慢地受到重视，遗传算法在结合了分子生物学知识知识的基础上，遗传算法的实质也会受到检验并且有可能得到更好的改善。
（3）遗传算法和人工生命的研究
近几年来，科学家们通过计算机模拟，模拟出了各种生命现象从而对生命得到更深刻理解，有利于人工生命的研究正在兴起。尽管目前人们对人工生命的含义有着不同的观点，但是对生命的的本质还是有着相同的看法，其中有生命的起源、自适应、自我增殖、免疫和遗传进化等。如今有许多科学家用遗传算法模拟了生态系统的演变、食物链的文持和免疫系统的进化等。但是对于遗传算法在实现人工生命中的基本地位和能力仍有许多科学家保持疑问的态度，所以我们依据需要据需去研究和了解这一课题。