摘 要 遗传算法是一种通过模拟自然进化过程搜索最优解的方法。本文笔者简要探究了遗传算法的原理，分析了遗传算法的实现过程，并论述了遗传算法在现阶段机械工程中的应用现状与相关问题，最终提出一些遗传算法的发展和展望建议，仅供参考。
关键词 遗传算法 原理 机械工程 应用
中图分类号：TH123 文献标识码：A
1遗传算法的原理
所谓遗传算法，即一种以事物的自然属性和遗传属性为基础，通过计算机对生物进化规律进行模拟以寻优的一种算法，它把寻优的范围和遗传的空间对应起来，而且把每一种可能的值通过二进制码的形式进行编码，就和染色体一样，它所形成的字符串就像是基因，接着按照预期的结果对每一组编码进行评价，最终筛选出其中最合适的一个值。遗传算法在一开始是提出一些问题的解，接着再根据要求对这些解进行选择，继而重新拆解组合，去掉不合适的，最终留下最优值，这样就形成了一个新值，如此循环下去，经历不断的继承和改良。值得注意的是，遗传算法并不是一个简单的重复过程，而是一种典型的螺旋式的上升过程，处于不断的进化状态，相对来说比较稳定。
2遗传算法的实现分析
2.1编码
编码是遗传算法的第一步，它是连接问题和算法之间的桥梁，是信息从一种形式转化为另一种形式的过程。遗传算法在执行求解之前，我们一是要选择合适的编码方式，把问题的所有参变量编码成对应的子串，然后把各子串的首尾联接成一定长度的串（假设这些串的长度是L），也就是染色体，一个串代表解空间的一个解。最终证明，不同的码制和串长对问题的求解精度以及算法收敛速度有一定影响。
2.2产生初始群体
首先我们可以选择一个整数N作为群体的规模参数，随机生成解空间的N个初始个体，把它们作为初始群体，用来代表问题的一些可能解。当然，通常来说它们的适应值是比较差的。遗传算法就是从这一初始群体出发，接着通过遗传进行操作，模拟进化的过程，最终获得较好的群体或个体。
2.3适应度评价
在适应度评价环节，我们需要结合问题的目标函数合理定义适应度函数，用来反映个体对问题环境适应能力的强弱，也就是解的优劣。事实上，适应度函数就是个体竞争的测度，即控制个体生存的机会。
2.4选择
遗传算法的实现在选择环节深刻地体现出“适者生存”的自然法则。通常采用与适应度成比例的概率方法，实际上，个体适应度越高，它被选择的机会就会越多。进行选择的主要目的就是从群体中选出繁殖后代的双亲。
2.5交叉
交叉是一种重要的遗传算子。它的主要目的是产生新的基因组合，进而形成新的个体，可以探测到搜索空间的新区域。此外，它也体现出自然界中信息交换的思想。
3遗传算法在机械工程中的应用
在现实应用当中，遗传算法的优势十分明显，它在机械工程中的应用相当普遍。比如，在零件的切削中，我们可以对机械零部件和切削工具进行优化，进而实现最高的效率，获取最高的收益。
3.1优化人工神经网
所谓人工神经网，它主要是用来建模和控制的，由于现阶段单次结构还不是十分成熟，也没有一个明确的数据来进行指导。所以对于人工神经网，当前采用的训练方法是反向传播算法，它的速度较慢且计算结果具有一定的局限性，而遗传算法很好地解决了这一问题。
3.2优化模糊逻辑控制器矩阵的参数
模糊逻辑控制器，它所涉及的概念有控制对象偏差和动作强度两个，表达了二者的模糊关系，现有一延时二阶系统的函数为GS=exp（-0.4s）（0.3s+1），要求该系统的输出值尽量地跟踪输入值，采用模糊逻辑控制器矩阵进行参数优化，取矩阵R=77€？1，对此矩阵的77个元素以8bit的二进制码表示，基因链长616bit，经由遗传算法优化的模糊逻辑控制器控制下，其输出值的效果比“比例一积分一微分”控制器的效果更好。
3.3实现机床挂最佳组合
机床挂轮组合的好坏直接决定了生产线的效率高低，那么，什么是最佳组合呢。其实就是误差达到最小。下面，笔者通过遗传算法找到一个有效的方案，适合度函数定义为：
F=20-ABS（id）-（A B）€祝– D）
（A， B， C， D）∈€%R
上述定义中ABCD分别代表四个挂轮，ABS（）表示绝对值函数，€%R是挂轮约束条件，需要A+B>C=d+m，C+D>B+d+m，d，m分别代表齿轮模、安装轴径。
4结束语
近年来，很多专家学者对遗传算法进行了深入的研究，这是由于遗传算法具有极强的优势，在各个领域尤其是机械工程领域中的运用十分广泛。大量的实例充分证明了模拟自然进化的搜索过程可以产生简单通用以及较强的计算算法，在未来，遗传算法必将取得更为突出的进展。
参考文献
[1] 黄洪钟，赵正佳，姚新胜，冯春.遗传算法原理、实现及其在机械工程中的应用研究与展望[J].机械设计，2000，03：1-6+47.
[2] 郑旭浩.遗传算法原理在机械工程中的应用[J]. 中国高新技术企业，2014，34：62-63.