Matlab小生境遗传算法的多峰函数优化问题研究(3)
（4）关于遗传算法的学习系统的研究
当前遗传算法研究其中的一个重点就是遗传算法的机器学习。其中，最受人关注的是分类系统的研究。科学家们能够利用这种学习系统来克服在传统系统上获取知识的瓶颈的问题。遗传算法的学习系统有着如下几种困难：
1)适合遗传算法的高层次知识的表示；
2) 更通用的基于语义的操作；
3) 更有效的改变和展现环境相互作用的适应度函数的导入等；
4)搜索能力的分析。
（5）优化搜索方法的研究
遗传算法中问题的优化求解是最重要的因素之一，例如TSP等组合优化问题就是十分重要的研究课题。研究发现，遗传算法可以快速的得到90%左右的最优解，但要得到真正的最优解就要花费很长的时间。在某些对比实验中表明，假如要同时顾及解的品质和收敛速度两个指标，那么只是遗传算法也不一定比其他搜索方法具有更加良好的功能。因此，我们不仅学要改变遗传算法的基本理论和基本方法，还需要和神经网络等其他方法相结合。从大多数研究结果中可以知道，运用这种方法可以提高其局部搜索能力，从而可以更好地完善其收敛速度和解的品质。
（6）遗传算法的并行分布处理
随着遗传算法应用的迅速发展，并行分布遗传算法及其实现的研究也有着十分重要的意义。遗传算法的并行分布处理方式他点是因为受到其群体性操作。
（7）遗传神经网络
遗传神经网络方法和遗传算法的互相相结合已经受到了人们重视，它们是软计算的重要组成部分。目前，用遗传算法对神经网络的规模进行简化的研究取得了不错的结果。神经网络是用遗传算法来作为学习算法，因为遗传算法能克服数据的噪声等问题，显著地提高网络的性能。
1.4 本文主要内容
基本遗传算法中，由于种群中的优良个体无限繁殖，所以在小生境遗传算法中，为得到局部极值，就必须控制优势个体的繁殖，才能得到全局最优值本文通过相似度来控制优势个体。
2 遗传算法概述
2.1 遗传算法的生物基础
生物在自然界中的生存繁衍中对自然环境有着优异自适应能力。因此，人们为了人工自适应系统的设计与开发，纷纷致力于对生物各种生存特性的机理研究和行为模式。计算机模拟是检验出遗传算法在生态系统的重要手段之一。对于模拟生物遗传和进化，遗传算法具备优良的自适应能力和优化能力。遗传算法的生物基础是生物的遗传和进化。
2.2 遗传算法的发展历史
20世纪初，科学家们开始通过计算机模拟生物的遗传和进化过程。在60年代后，霍兰德教授从这种技术中得到灵感创造除了一张自适应概率优化技术，这种技术的基础思想是关于一些适合用于复杂系统优化计算的生物遗传和进化。下面列举出了一些对遗传算法作出重要贡献的科学家：
遗传算法的理论基础是由霍兰德教授提出了遗传算法的模式定理。这个模式定理是指群体中的优良个体的样本数将以指数级规律增长，因而我们可以认识到遗传算法是一个可以实现最优可行解的优化过程。
第一个实现机器学习系统——分类器系统的是霍兰德教授，同时他也将这种机器学习的新理念归纳总结出来，形成了一个新的系统体系。
同年，乔恩教授在他发表的论文中提出结合了其它的模式定理，对一些纯数值函数进行了计算实验，从而制定了遗传算法的基本框架，为遗传算法用打下了夯实的基础。
1989 年，D.J.Goldberg 出版了专著—《搜索、优化和机器学习中的遗传算法》。这本书比较具体的论述了遗传算法的原理和应用，同时也验证了一些遗传算法实验成果，为将来的优化算法奠定了夯实的基础。在研究和发展遗传算法领域中备受瞩目。