目前,我军军车使用的是97式牌照,其基本组成是：总部或大军区或军兵种(1)+英文字母(2)+五位数其中,位置(1)用的是部分天干或地支中的字,如甲、乙、午、未等；位置（２）、（３）一般代表位置（１）下属的部队单位。
　　一、总部
　　“甲”代表总参、总政、总后。“申”代表总装。
　　二、大军区
　　“己”－－沈阳军区　　　“辛”－－兰州军区
　　“壬”－－济南军区　　　“寅”－－南京军区
　　“辰”－－成都军区　　　“戌”－－广州军区
　　“庚”－－北京军区
　　“Ａ”代表司令部，“Ｂ”代表政治部，“Ｃ”代表联勤部（后勤部），“Ｄ”代表装备部，“Ｇ”代表省军区，“Ｈ”代表仓库、干休所等，“Ｋ”代表驻该区铁路、航空、水运单位的军代处，“Ｐ”代表医院、卫校等，“Ｓ”代表所属的被服厂等。
　　三、军兵种
　　“乙”－－集团军　　“丙”－－通信和运输
　　“庚”－－测绘　　　“午”－－空军
　　“未”－－海军　　　“ ”－－二炮
　　整个牌照为白底，位置（１）始终是红字，位置（２）是红字则应挂车头，是黑字则挂车尾，位置（３）是黑字。

北京[京]
A B（出租车） C E F H G（远郊区县）

上海[沪]
A B C (远郊区县) D

天津[津]
A B C E（出租车）

重庆[渝]
A 直属车辆管理所
B 江南车辆管理分所
C 永川车辆管理所：永川市、江津市、合川市、潼南县、铜梁县、壁山县、大足县、綦江县、荣昌县
F 万州车辆管理所：万州区、梁平县、城口县、巫山县、巫溪县、忠县、开县、奉节县、云阳县
G 涪陵车辆管理所：涪陵区、南川市、垫江县、丰都县、武隆县
H 黔江车辆管理所：黔江区、石柱土家族自治县、秀山土家族苗族自治县、酉阳土家族苗族自治县、彭水苗族土家族自治县

河北[冀]
A 石家庄市 B 唐山市 C 秦皇岛市 D 邯郸市 E 邢台市 F 保定市
G 张家口市 H 承德市 J 沧州市 R 廊坊市 T 衡水市

山西[晋]
A 太原市 B 大同市 C 阳泉市 D 长治市 E 晋城市 F 朔州市 H 忻州市
J 吕梁地区 K 晋中市 L 临汾市 M 运城市

内蒙古[蒙]
A 呼和浩特市 B 包头市 C 乌海市 D 赤峰市 E 呼伦贝尔市 F 兴安盟
G 通辽市 H 锡林郭勒盟 J 乌兰察布盟 K 鄂尔多斯市 L 巴彦淖尔盟 M 阿拉善盟

辽宁[辽]
A 沈阳市 B 大连市 C 鞍山市 D 抚顺市 E 本溪市 F 丹东市 G 锦州市
H 营口市 J 阜新市 K 辽阳市 L 盘锦市 M 铁岭市 N 朝阳市 P 葫芦岛市 V 省直机关

吉林[吉]
A 长春市 B 吉林市 C 四平市 D 辽源市 E 通化市 F 白山市 G 白城市
H 延边朝鲜族自治州 J 松原市

黑龙江[黑]
A 哈尔滨市 B 齐齐哈尔市 C 牡丹江市 D 佳木斯市 E 大庆市 F 伊春市
G 鸡西市 H 鹤岗市 J 双鸭山市 K 七台河市 L 松花江地区（已并入哈尔滨市，车牌未改）
M 绥化市 N 黑河市 P 大兴安岭地区 R 农垦系统

江苏[苏]
A 南京市 B 无锡市 C 徐州市 D 常州市 E 苏州市 F 南通市 G 连云港市
H 淮安市 J 盐城市 K 扬州市 L 镇江市 M 泰州市 N 宿迁市

浙江[浙]
A 杭州市 B 宁波市 C 温州市 D 绍兴市 E 湖州市 F 嘉兴市 G 金华市
H 衢州市 J 台州市 K 丽水市 L 舟山市

安徽[皖]
A 合肥市 B 芜湖市 C 蚌埠市 D 淮南市 E 马鞍山市 F 淮北市 G 铜陵市
H 安庆市 J 黄山市 K 阜阳市 L 宿州市 M 滁州市 N 六安市 P 宣城市
Q 巢湖市 R 池州市 S 亳州市

福建[闽]
A 福州市 B 莆田市 C 泉州市 D 厦门市 E 漳州市 F 龙岩市 G 三明市
H 南平市 J 宁德市 K 省直系统

江西[赣]
A 南昌市 B 赣州市 C 宜春市 D 吉安市 E 上饶市 F 抚州市 G 九江市
H 景德镇市 J 萍乡市 K 新余市 L 鹰潭市 M 南昌,省直系统

山东[鲁]
A 济南市 B 青岛市 C 淄博市 D 枣庄市 E 东营市 F 烟台市 G 潍坊市
H 济宁市 J 泰安市 K 威海市 L 日照市 M 滨州市 N 德州市 P 聊城市
Q 临沂市 R 菏泽市 S 莱芜市 U 青岛市增补 V 潍坊市增补

河南[豫]
A 郑州市 B 开封市 C 洛阳市 D 平顶山市 E 安阳市 F 鹤壁市 G 新乡市
H 焦作市 J 濮阳市 K 许昌市 L 漯河市 M 三门峡市 N 商丘市 P 周口市
Q 驻马店市 R 南阳市 S 信阳市 U 济源市

湖北[鄂]
A 武汉市 B 黄石市 C 十堰市 D 荆州市 E 宜昌市 F 襄樊市 G 鄂州市
H 荆门市 J 黄冈市 K 孝感市 L 咸宁市 M 仙桃市 N 潜江市 P 神农架林区
Q 恩施土家族苗族自治州 R 天门市 S 随州市

湖南[湘]
A 长沙市 B 株洲市 C 湘潭市 D 衡阳市 E 邵阳市 F 岳阳市 G 张家界市
H 益阳市 J 常德市 K 娄底市 L 郴州市 M 永州市 N 怀化市 U 湘西土家族苗族自治州

广东[粤]
A 广州市 B 深圳市 C 珠海市 D 汕头市 E 佛山市 F 韶关市 G 湛江市
H 肇庆市 J 江门市 K 茂名市 L 惠州市 M 梅州市 N 汕尾市 P 河源市
Q 阳江市 R 清远市 S 东莞市 T 中山市 U 潮州市 V 揭阳市 W 云浮市
X 顺德区 Y 南海区 Z 香港澳门进入内地车辆

广西[桂]
A 南宁市 B 柳州市 C 桂林市 D 梧州市 E 北海市
F 南宁地区（部分划入南宁市，其它部分成立崇左市）
G 柳州地区（部分划入柳州市，其它部分成立来宾市）
H 桂林地区(已并入桂林市) J 贺州市
K 玉林市 L百色市 M 河池市 N 钦州市 P 防城港市 R 贵港市

海南[琼]
A 海口市 B 三亚市
C 琼北车辆管理所：琼山市（已并入海口市）、儋州市、琼海市、万宁市、文昌市、澄迈县、屯昌县、定安县、临高县

D 琼南车辆管理所：五指山市、东方市、白沙黎族自治县、昌江黎族自治县、陵水黎族自治县、乐东黎族自治县、保亭黎族苗族自治县、琼中黎族苗族自治县
E 洋浦开发区

四川[川]
A 成都市 B 绵阳市 C 自贡市 D 攀枝花市 E 泸州市 F 德阳市 H 广元市
J 遂宁市 K 内江市 L 乐山市 M 资阳市 Q 宜宾市 R 南充市 S 达州市
T 雅安市 U 阿坝藏族羌族自治州 V 甘孜藏族自治州 W 凉山彝族自治州
X 广安市 Y 巴中市 Z 眉山市

贵州[贵]
A 贵阳市 B 六盘水市 C 遵义市 D 铜仁地区 E 黔西南布依族苗族自治州
F 毕节地区G 安顺市 H 黔东南苗族侗族自治州 J 黔南布依族苗族自治州

云南[云]
A 昆明市 C 昭通市 D 曲靖市 E 楚雄彝族自治州 F 玉溪市 G 红河哈尼族彝族自治州
H 文山壮族苗族自治州 J 思茅地区 K 西双版纳傣族自治州 L 大理白族自治州
M 保山市 N 德宏傣族景颇族自治州 P 丽江市 Q 怒江傈僳族自治州
R 迪庆藏族自治州 S 临沧地区

西藏[藏]
A 拉萨市 B 昌都地区 C 山南地区 D 日喀则地区 E 那曲地区
F 阿里地区 G 林芝地区 H 驻四川省天全县车辆管理所
J 驻青海省格尔木市车辆管理所

陕西[陕]
A 西安市 B 铜川市 C 宝鸡市 D 咸阳市 E 渭南市 F 汉中市 G 安康市
H 商洛市 J 延安市 K 榆林市 U 省直系统(已取消)
V 杨凌高新农业示范区

甘肃[甘]
A 兰州市 B 嘉峪关市 C 金昌市 D 白银市 E 天水市 F 酒泉市 G 张掖市
H 武威市 J 定西地区 K 陇南地区 L 平凉市 M 庆阳市 N 临夏回族自治州
P 甘南藏族自治州

青海[青]
A 西宁市 B 海东地区 C 海北藏族自治州 D 黄南藏族自治州
E 海南藏族自治州
F 果洛藏族自治州 G 玉树藏族自治州 H 海西蒙古族藏族自治州

宁夏[宁] A 银川市 B 石嘴山市 C 吴忠市 D 固原市

新疆[新]
A 乌鲁木齐市 B 昌吉回族自治州 C 石河子市 D 奎屯市
E 博尔塔拉蒙古自治州
F 伊犁哈萨克自治州直辖县、县级市（原伊宁地区）
G 塔城地区 H 阿勒泰地区
J 克拉玛依市 K 吐鲁番地区 L 哈密地区
M 巴音郭楞蒙古自治州 N 阿克苏地区
P 克孜勒苏柯尔克孜自治州 Q 喀什地区 R 和田地区

　　鲁棒性（robustness）就是系统的健壮性。它是在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标设计得到的固定控制器称为鲁棒控制器。

　　鲁棒性原是统计学中的一个专门术语，20世纪70年代初开始在控制理论的研究中流行起来，用以表征控制系统对特性或参数摄动的不敏感性。在实际问题中，系统特性或参数的摄动常常是不可避免的。产生摄动的原因主要有两个方面，一个是由于量测的不精确使特性或参数的实际值会偏离它的设计值（标称值），另一个是系统运行过程中受环境因素的影响而引起特性或参数的缓慢漂移。因此，鲁棒性已成为控制理论中的一个重要的研究课题，也是一切类型的控制系统的设计中所必须考虑的一个基本问题。对鲁棒性的研究主要限于线性定常控制系统，所涉及的领域包括稳定性、无静差性、适应控制等。鲁棒性问题与控制系统的相对稳定性（频率域内表征控制系统稳定性裕量的一种性能指标）和不变性原理（自动控制理论中研究扼制和消除扰动对控制系统影响的理论）有着密切的联系，内模原理（把外部作用信号的动力学模型植入控制器来构成高精度反馈控制系统的一种设计原理）的建立则对鲁棒性问题的研究起了重要的推动作用。当系统中存在模型摄动或随机干扰等不确定性因素时能保持其满意功能品质的控制理论和方法称为鲁棒控制。早期的鲁棒控制主要研究单劻路系统频率特性的某些特征，或基于小摄动分析上的灵敏度问题。现代鲁棒控制则着重研究控制系统中非微有界摄动下的分析与设计的理论和方法。

引用

蚁群算法简介【转】

        蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。

        为什么小小的蚂蚁能够找到食物？他们具有智能么？设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼的编程，因为程序的错误也许会让你前功尽弃。这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。

        然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律！那么，这些简单规则是什么呢？下面详细说明：

1、范围：
蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。
2、环境：
蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。
3、觅食规则：
在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，并且每只蚂蚁多会以小概率犯错误，从而并不是往信息素最多的点移动。蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。
4、移动规则：
每只蚂蚁都朝向信息素最多的方向移，并且，当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性的运动下去，并且，在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些点，如果发现要走的下一点已经在最近走过了，它就会尽量避开。
5、避障规则：
如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。
7、播撒信息素规则：
每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。

根据这几条规则，蚂蚁之间并没有直接的关系，但是每只蚂蚁都和环境发生交互，而通过信息素这个纽带，实际上把各个蚂蚁之间关联起来了。比如，当一只蚂蚁找到了食物，它并没有直接告诉其它蚂蚁这儿有食物，而是向环境播撒信息素，当其它的蚂蚁经过它附近的时候，就会感觉到信息素的存在，进而根据信息素的指引找到了食物。

问题：

说了这么多，蚂蚁究竟是怎么找到食物的呢？
在没有蚂蚁找到食物的时候，环境没有有用的信息素，那么蚂蚁为什么会相对有效的找到食物呢？这要归功于蚂蚁的移动规则，尤其是在没有信息素时候的移动规则。首先，它要能尽量保持某种惯性，这样使得蚂蚁尽量向前方移动（开始，这个前方是随机固定的一个方向），而不是原地无谓的打转或者震动；其次，蚂蚁要有一定的随机性，虽然有了固定的方向，但它也不能像粒子一样直线运动下去，而是有一个随机的干扰。这样就使得蚂蚁运动起来具有了一定的目的性，尽量保持原来的方向，但又有新的试探，尤其当碰到障碍物的时候它会立即改变方向，这可以看成一种选择的过程，也就是环境的障碍物让蚂蚁的某个方向正确，而其他方向则不对。这就解释了为什么单个蚂蚁在复杂的诸如迷宫的地图中仍然能找到隐蔽得很好的食物。
当然，在有一只蚂蚁找到了食物的时候，其他蚂蚁会沿着信息素很快找到食物的。

蚂蚁如何找到最短路径的？这一是要归功于信息素，另外要归功于环境，具体说是计算机时钟。信息素多的地方显然经过这里的蚂蚁会多，因而会有更多的蚂蚁聚集过来。假设有两条路从窝通向食物，开始的时候，走这两条路的蚂蚁数量同样多（或者较长的路上蚂蚁多，这也无关紧要）。当蚂蚁沿着一条路到达终点以后会马上返回来，这样，短的路蚂蚁来回一次的时间就短，这也意味着重复的频率就快，因而在单位时间里走过的蚂蚁数目就多，洒下的信息素自然也会多，自然会有更多的蚂蚁被吸引过来，从而洒下更多的信息素……；而长的路正相反，因此，越来越多地蚂蚁聚集到较短的路径上来，最短的路径就近似找到了。也许有人会问局部最短路径和全局最短路的问题，实际上蚂蚁逐渐接近全局最短路的，为什么呢？这源于蚂蚁会犯错误，也就是它会按照一定的概率不往信息素高的地方走而另辟蹊径，这可以理解为一种创新，这种创新如果能缩短路途，那么根据刚才叙述的原理，更多的蚂蚁会被吸引过来。

引申:

跟着蚂蚁的踪迹，你找到了什么？通过上面的原理叙述和实际操作，我们不难发现蚂蚁之所以具有智能行为，完全归功于它的简单行为规则，而这些规则综合起来具有下面两个方面的特点：
1、多样性
2、正反馈
多样性保证了蚂蚁在觅食的时候不置走进死胡同而无限循环，正反馈机制则保证了相对优良的信息能够被保存下来。我们可以把多样性看成是一种创造能力，而正反馈是一种学习强化能力。正反馈的力量也可以比喻成权威的意见，而多样性是打破权威体现的创造性，正是这两点小心翼翼的巧妙结合才使得智能行为涌现出来了。
引申来讲，大自然的进化，社会的进步、人类的创新实际上都离不开这两样东西，多样性保证了系统的创新能力，正反馈保证了优良特性能够得到强化，两者要恰到好处的结合。如果多样性过剩，也就是系统过于活跃，这相当于蚂蚁会过多的随机运动，它就会陷入混沌状态；而相反，多样性不够，正反馈机制过强，那么系统就好比一潭死水。这在蚁群中来讲就表现为，蚂蚁的行为过于僵硬，当环境变化了，蚂蚁群仍然不能适当的调整。
既然复杂性、智能行为是根据底层规则涌现的，既然底层规则具有多样性和正反馈特点，那么也许你会问这些规则是哪里来的？多样性和正反馈又是哪里来的？我本人的意见：规则来源于大自然的进化。而大自然的进化根据刚才讲的也体现为多样性和正反馈的巧妙结合。而这样的巧妙结合又是为什么呢？为什么在你眼前呈现的世界是如此栩栩如生呢？答案在于环境造就了这一切，之所以你看到栩栩如生的世界，是因为那些不能够适应环境的多样性与正反馈的结合都已经死掉了，被环境淘汰了！

参数说明：

最大信息素：蚂蚁在一开始拥有的信息素总量，越大表示程序在较长一段时间能够存在信息素。信息素消减的速度：随着时间的流逝，已经存在于世界上的信息素会消减，这个数值越大，那么消减的越快。
错误概率表示这个蚂蚁不往信息素最大的区域走的概率，越大则表示这个蚂蚁越有创新性。
速度半径表示蚂蚁一次能走的最大长度，也表示这个蚂蚁的感知范围。
记忆能力表示蚂蚁能记住多少个刚刚走过点的坐标，这个值避免了蚂蚁在本地打转，停滞不前。而这个值越大那么整个系统运行速度就慢，越小则蚂蚁越容易原地转圈。

引用

遗传算法简介【转】

      遗传算法（Genetic    Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。

1.遗传算法与自然选择

      达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。这种学说认为，生物要生存下去，就必须进行生存斗争。生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。因此，凡是在生存斗争中获胜的个体都是对环境适应性比较强的。达尔文把这种在生存斗争中适者生存，不适者淘汰的过程叫做自然选择。它表明，遗传和变异是决定生物进化的内在因素。自然界中的多种生物之所以能够适应环境而得以生存进化，是和遗传和变异生命现象分不开的。正是生物的这种遗传特性，使生物界的物种能够保持相对的稳定；而生物的变异特性，使生物个体产生新的性状，以致于形成新的物种，推动了生物的进化和发展。  

      遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。    作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。     

2.遗传算法的基本步骤       

      我们习惯上把Holland1975年提出的GA称为传统的GA。它的主要步骤如下：     

      编码：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。  

      初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。   

      适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。  

      选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。   

      交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。  

      变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.001~0.01之间。变异为新个体的产生提供了机会。  

   GA的计算过程为：   

   选择编码方式  

   产生初始群体  

   计算初始群体的适应性值  

   如果不满足条件    { 选择—>交换—>变异—>计算新一代群体的适应性值 }  

3.遗传算法的特点    

      遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。与传统的搜索方法相比，遗传算法具有如下特点：   

      搜索过程不直接作用在变量上，而是在参数集进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象（集合、序列、矩阵、树、图、链和表）进行操作。    

      搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。采用概率的变迁规则来指导搜索方向，而不采用确定性搜索规则。对搜索空间没有任何特殊要求（如连通性、凸性等），只利用适应性信息，不需要导数等其它辅助信息，适应范围更广。      

4.遗传算法的研究历史与现状    

      遗传算法研究的兴起是在80年代末和90年代初期，但它的历史起源可追溯至60年代初期。早期的研究大多以对自然系统的计算机模拟为主。如Fraser的模拟研究，他提出了和现在的遗传算法十分相似的概念和思想。Holland和DeJong的创造性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。其中，Holland于1975年出版的著名著作<<自然系统和人工系统的适配>>系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论。这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。  

      同年，DeJong的重要论文<<遗传自适应系统到的行为分析>>将Holland的模式理论与他的计算实验结合起来，并提出了诸如代沟等新的遗传操作技术。可以认为，DeJong所作的研究工作是遗传算法发展过程中的一个里程碑。  

      进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用领域也不断扩大。目前遗传算法所涉及的主要领域有自动控制、规划设计、组合优化、图象处理、信号处理、人工生命等。可见，遗传算法的应用研究已从初期的组合优化求解拓展到了许多更新。更工程化的应用方面。