一、
1、不断繁殖、生存竞争、适者生存、遗传和变异
2、生物遗传：分离规律、自由组合
3、生物变异：基因重组、基因突变、染色体变异
4、遗传算法研究对象：研究各种非线性、多变量、多目标、复杂的自适应系统问题
5、基本特征：
（1）智能搜索：依据适应度（目标函数）进行智能搜索
（2）渐进式优化：利用复制、交换、突变等操作，使下一代结果优于上一代
（3）全局最优解：采用交换和突变等操作产生新个体，是的搜索得到的优化结果逼近全局最优解
（4）黑箱式结构：根据问题的特性进行编码（输入）和确定适应度（输出），具有只考虑输入和输出的黑箱式结构，并不深入探究输入与输出关系的原因
（5）通用性强：不要求明确的数学表达式，只需要一些简单的原则，可应用于解决离散问题、函数关系不明确的复杂问题
（6）并行式运算：每次迭代计算都是对群体中的所有个体同时进行运算，是并行式运算方式，搜索速度快
6、遗传算法和遗传规划的有效领域：结构优化设计、人工智能、复杂问题优化、复杂系统分析、综合应用
7、改进：
（1）编码技术、程序表达技术的改进
（2）复制、交换、突变等遗传操作的改进
（3）适应度的表达和计算的改进
（4）寻求其他有效遗传算子、防止近缘杂交、过早收敛
（5）进一步探讨遗传算法和遗传规划的机理
（6）开发遗传算法和遗传规划的商业软件
二、
1、基本运算过程：
（1）编码、随机产生初始群体
（2）个体评价、选择、确定是否输出
（3）随机交叉运算
（4）随即变异运算
（5）转向个体评价。开始新的循环
2、编码
遗传算法的工作对象是字符串，对字符串编码的要求：
（1）字符串要反应所研究问题的性质
（2）字符串的表达要便于计算机处理
3、适应度
在遗传算法中，衡量个体优劣的尺度就是适应度。根据适应的大小决定个体繁殖的数量、或者决定是否消亡。适应度是驱动遗传算法的动力。
4、复制
复制算子将优良个体在下一代给予繁殖，体现了“适者生存”的自然选择原则个体被复制的数量是按照适应度的大小决定的，适应度大的复制的多，适应度小的
复制的少，群体中个体总数保持不变。（打草纸）
5、交换
交换是遗传算法中产生新个体的主要手段，将两个个体的部分字符互相交换。
随机： （1）执行交换的个体是随机选择的
（2）交换的概率一般为0.5-0.8（可调）
（3）交换的位置也是随机的
6、变异
变异是遗传算法中产生新个体的另一方式，借鉴了生物学中的基因突变现象，将被选的个体的部分字符进行补运算（取反）
随机：那些 个体进行变异、个体的第几位进行变异、有几位变异也是随机的
7、终止条件
遗传算法是一种反复迭代的搜索方法。它通过多次进化逐渐逼近最优解
（1）最常用的方法是迭代的代数
