补充资料：遗传学习

遗传学习
genetic learning

y一ehuan xuexi遗传学习(genetic.~ing)基于物种变异和自然选择的原理建立的一种机器学习方法。 遗传学习将搜索结构编码为字符串形式，每个字符串结构称为个体。然后对一个集合的字符串结构(群体)进行循环操作，每次循环称为一代。其中，字符串模拟染色体的作用，单个位模拟基因的作用。根据评价函数，每个个体给予一个数值估算，称为遗传适应度。选择适应度高的个体参加操作，不断迭代，使之优者生存，劣者淘汰，从而达到不断进化，可得到有高适应度的群体。 在将遗传原理应用于人工系统的搜索之前，已有一些生物学家用计算机仿真遗传系统。虽然这些研究的目的在于了解自然现象，但有的工作与现代遗传算法的概念很相近。1960年，A.S.F~r在生物仿真中，用(一1，l)间变动的表型值(函数值)选择基因型(字符串)作为父母，仿真后代字符串的变化。1%2年，J.H干blland关于自适应系统的论文奠定了自适应系统的理论基础。他认为自适应系统的研究涉及到自适应系统和它的环境之间的相互作用，应该研究系统怎样有效地调节适应它们的环境的过程。J.D.1如gley于1967年在他的博士论文中第一次提出遗传算法这个概念。他用遗传算法研究自适应游戏问题。同年，R.5.ROSellberg用了氏通land的模式理论研究了生物细胞仿真的问题。他着重研究用子孙代函数反映选择过程的竞争。1975年是遗传算法取得很大进展的一年。H6llarld发表了重要著作“泪aptation in Nat:ura landA六ifidals外t~(自然和人工系统中的适应性)”，系统地论述了遗传算法的基本理论，为遗传算法的发展奠定了基础。同年，K.A.周皿g把E峪11and的模式理论和他自己的遗·875·计算实验结合起来，研究数据结构设计、算法设计、计算机操作系统自适应控制等，得到一些很有意义的结论和方法，为遗传算法和它的应用建立了坚实的基础。经过长期研究，D.E.(弘ld阮g成功地将遗传算法应用在搜索、优化和机器学习中。1989年他发表了著作“C掩hetic Al即rithn巧，’，清楚地阐明遗传算法的实现和应用。80年代以来，遗传学习的理论和应用得到了迅速的发展，已被广泛应用到工程、生物学和社会科学中。 遗传学习的基本思想来源于自然进化过程。在自然进化过程中，物种在复杂变化的环境中寻找最佳组合。物种得到的知识保存在染色体的构造中。物种繁殖时，染色体的构造会发生变化。修改染色体构造的基本操作有交换、突变和倒位等。交换是双亲的染色体间交换构造信息，使双亲中较好的基因在后代中组合起来。突变将在染色体中加人有益的结构。倒位改变染色体里基因的位置，使基因能聚集成簇，增加在遗传过程中一起移动的概率。 遗传算法模拟生物的遗传过程，它的典型执行过程是: (l)随机产生初始群体。

说明：补充资料仅用于学习参考，请勿用于其它任何用途。