1、遗传算法的基本操作有哪些步骤？在函数极大值遗传算法仿真中，通过改变群体大小 M、终止进化代数 G、交叉概率 Pc 和变异概率 Pm，分析群体大小、终止进化代数、交叉概率和变异概率对优化效果的影响。答：基本操作：1、选择操作：对种群中的个体进行逐个解码并根据目标函数计算适应值（适配度） ，以此为根据确定各个体的复制概率。2、复制操作：复制过程是个体串按照它们的适配度进行复制，适配度越大的串，在下一代中将有更多的机会提供一个或多个子孙。 3、 交 叉 操 作 ： 通 过 在 两 个 父 代 染 色 体 的 位 串 上 随 机 选 择 一 个 位 置 （ 交 叉 点 ） ， 并 把 交 叉 点 以
2、后 的 部分 互 换 而 产 生 两 个 子 代 染 色 体 的 过 程 。4、 变 异 操 作 ： 用 来 模 拟 生 物 在 自 然 的 遗 传 环 境 中 由 于 各 种 偶 然 因 素 引 起 的 基 因 突 变 ， 它 以 很 小 的 概 率随 机 地 改 变 遗 传 基 因 （ 表 示 染 色 体 的 符 号 串 的 某 一 位 ） 的 值 。各 参 数 对 优 化 效 果 的 影 响 ：（1）种群大小M。种群规模M表示每一代种群中所含个体数目。当M取值较小时，可提高遗传算法的运算速度，但却降低种群的多样性，容易引起遗传算法早熟，出现假收敛；而当M取值较大时，又会使得遗传算法效率降
3、低。一般建议的取值范围是 20-100 。（2）终止进化代数G。遗传算法不同于传统优化算法，它很难有明确的搜索终止准则（特别是对于非数值优化问题），于是通常需指定一个终止进化代数来终止算法，一般设G为100,1000。一般来说，事先指定G通常只能找到给定问题的在给定时限内所能寻求的相对满意解，但不一定是问题的最优解或较高精度的近似解。为了获得较高精度解，通常可依据种群适应度的稳定情况来实时调整G的设置。（3）交叉概率Pc。在遗传算法中交叉算子被认为是主要搜索算子，因而一般取较大值。一般说，较大的Pc容易破坏群体中已形成的优良模式，是搜索的随机性太大，而较小的Pc使发现新个体（特别是优良新个体）的速度太慢。一般建议的取值范围是 0.4 -0.99。另外，比较理想的的方式是非一致地使用交叉概率，例如在遗传算法的前期使用较大的Pc，后期降低Pc以保留优良个体。（4）变异概率 Pm 。较大的变异概率 Pm 使遗传算法在整个搜索空间中大步跳跃，而小的变异概率使遗传算法聚焦于特别区域作局部搜索。一般在不使用交叉算子的情形（演化策略算法，进化程序算法），变异算子作主要搜索算子，Pm取较大值（0.4 1）而在与交叉算子联合使用的情形（遗传算法），Pm 通常取较小值（0.0001 0.5）。
