微分遺傳演算法

1. 進化演算法的差分演算法

差分進化演算法(Differential Evolution, DE)是一種新興的進化計算技術，或稱為差分演化演算法、微分進化演算法、微分演化演算法、差異演化演算法。它是由Storn等人於1995年提出的，最初的設想是用於解決切比雪夫多項式問題，後來發現DE也是解決復雜優化問題的有效技術。DE與人工生命，特別是進化演算法有著極為特殊的聯系。
差分進化演算法是基於群體智能理論的優化演算法，通過群體內個體間的合作與競爭產生的群體智能指導優化搜索。但相比於進化演算法，DE保留了基於種群的全局搜索策略，採用實數編碼基於差分的簡單變異操作和一對一的競爭生存策略，降低了遺傳操作的復雜性。同時，DE特有的記憶能力使其可以動態跟蹤當前的搜索情況，以調整其搜索策略，具有較強的全局收斂能力和魯棒性，且不需要藉助問題的特徵信息，適於求解一些利用常規的數學規劃方法所無法求解的復雜環境中的優化問題。
差分進化演算法是一種基於群體進化的演算法，具有記憶個體最優解和種群內信息共享的特點，即通過種群內個體間的合作與競爭來實現對優化問題的求解，其本質是一種基於實數編碼的具有保優思想的貪婪遺傳演算法。
DE是一種用於優化問題的啟發式演算法。本質上說，它是一種基於實數編碼的具有保優思想的貪婪遺傳演算法 。同遺傳演算法一樣，DE包含變異和交叉操作，但同時相較於遺傳演算法的選擇操作，DE採用一對一的淘汰機制來更新種群。由於DE在連續域優化問題的優勢已獲得廣泛應用，並引發進化演算法研究領域的熱潮。
DE由Storn 以及Price提出，演算法的原理採用對個體進行方向擾動，以達到對個體的函數值進行下降的目的，同其他進化演算法一樣，DE不利用目標函數的梯度信息，因此對目標的可導性甚至連續性沒有要求，適用性很強。同時，演算法與粒子群優化有相通之處 ，但因為DE在一定程度上考慮了多變數間的相關性，因此相較於粒子群優化在變數耦合問題上有很大的優勢。演算法的實現參考實現代碼部分。

2. 遺傳演算法的優缺點

優點：

1、遺傳演算法是以決策變數的編碼作為運算對象，可以直接對集合、序列、矩陣、樹、圖等結構對象進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。

另一方面也使得遺傳演算法具有廣泛的應用領域，如函數優化、生產調度、自動控制、圖像處理、機器學習、數據挖掘等領域。

2、遺傳演算法直接以目標函數值作為搜索信息。它僅僅使用適應度函數值來度量個體的優良程度，不涉及目標函數值求導求微分的過程。因為在現實中很多目標函數是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。

3、遺傳演算法具有群體搜索的特性。它的搜索過程是從一個具有多個個體的初始群體P(0)開始的，一方面可以有效地避免搜索一些不必搜索的點。

另一方面由於傳統的單點搜索方法在對多峰分布的搜索空間進行搜索時很容易陷入局部某個單峰的極值點，而遺傳演算法的群體搜索特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全局搜索性。

4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜索更為靈活，參數對其搜索效果的影響也盡可能的小。

5、遺傳演算法具有可擴展性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。

缺點：

1、遺傳演算法在進行編碼時容易出現不規范不準確的問題。

2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。

3、遺傳演算法效率通常低於其他傳統的優化方法。

4、遺傳演算法容易出現過早收斂的問題。

(2)微分遺傳演算法擴展閱讀

遺傳演算法的機理相對復雜，在Matlab中已經由封裝好的工具箱命令，通過調用就能夠十分方便的使用遺傳演算法。

函數ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最優解，fval是最優值，@fitnessness是目標函數，nvars是自變數個數，options是其他屬性設置。系統默認求最小值，所以在求最大值時應在寫函數文檔時加負號。

為了設置options，需要用到下面這個函數：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通過這個函數就能夠實現對部分遺傳演算法的參數的設置。

3. 蟻群 神經網路 微分進化 遺傳演算法 具體應用難易程度

要來個對比么？
其中蟻群演算法、遺傳演算法我比較熟悉，神經網路稍有了解，微分進化演算法不熟悉。要說應用的難易程度，我排個序，由難到易依次為：神經網路->遺傳演算法->蟻群演算法->微分進化。
具體實施時，除神經網路較復雜外，其他三種演算法都還好。

4. 目標方程和約束條件有微分方程，應該怎麼用遺傳演算法擬合

用遺傳演算法ga函數是可以擬合帶有目標方程和約束條件且含有微分方程的系數，其擬合原則是誤差最小估計原則。
解決問題的方法：1、建立自定義目標函數；2、建立自定義約束函數；3、建立自定義微分方程函數；4、誤差最小控制函數；5、利用遺傳演算法ga函數求解擬合系數，利用ode45函數求解微分方程；6、建立嵌套函數計算

5. 演算法中的運算元是什麼意思，用於做什麼呢請各位大牛指點一下，感激不盡~~

數學中的映射，當映射的作用是把函數映成函數，或者函數映成數的時候，這個映射常常叫做運算元。
比如微分運算元D，把就是把函數f作用後，把f映成f的導函數。
拉普拉斯運算元是一種二階微分運算元。
等等。。。

6. 神經網路中的數學知識

神經網路的設計要用到遺傳演算法，遺傳演算法在神經網路中的應用主要反映在3個方面：網路的學習，網路的結構設計，網路的分析。

1．遺傳演算法在網路學習中的應用

在神經網路中，遺傳演算法可用於網路的學習。這時，它在兩個方面起作用

(1)學習規則的優化

用遺傳演算法對神經網路學習規則實現自動優化，從而提高學習速率。

(2)網路權系數的優化

用遺傳演算法的全局優化及隱含並行性的特點提高權系數優化速度。

2．遺傳演算法在網路設計中的應用

用遺傳演算法設計一個優秀的神經網路結構，首先是要解決網路結構的編碼問題；然後才能以選擇、交叉、變異操作得出最優結構。編碼方法主要有下列3種：

(1)直接編碼法

這是把神經網路結構直接用二進制串表示，在遺傳演算法中，「染色體」實質上和神經網路是一種映射關系。通過對「染色體」的優化就實現了對網路的優化。

(2)參數化編碼法

參數化編碼採用的編碼較為抽象，編碼包括網路層數、每層神經元數、各層互連方式等信息。一般對進化後的優化「染色體」進行分析，然後產生網路的結構。

(3)繁衍生長法

這種方法不是在「染色體」中直接編碼神經網路的結構，而是把一些簡單的生長語法規則編碼入「染色體」中；然後，由遺傳演算法對這些生長語法規則不斷進行改變，最後生成適合所解的問題的神經網路。這種方法與自然界生物地生長進化相一致。

3．遺傳演算法在網路分析中的應用

遺傳演算法可用於分析神經網路。神經網路由於有分布存儲等特點，一般難以從其拓撲結構直接理解其功能。遺傳演算法可對神經網路進行功能分析，性質分析，狀態分析。

遺傳演算法雖然可以在多種領域都有實際應用，並且也展示了它潛力和寬廣前景；但是，遺傳演算法還有大量的問題需要研究，目前也還有各種不足。首先，在變數多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最後，遺傳演算法的參數選擇尚未有定量方法。對遺傳演算法，還需要進一步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬體化的遺傳演算法；以及遺傳演算法的通用編程和形式等。

7. 非線性解析反演與遺傳演算法的結合反演方法

周輝

（青島海洋大學海洋地球科學學院，青島266003）

何樵登

（長春地質學院地球物理系，長春130026）

摘要各向異性介質參數反演通常為非線性優化問題。非線性反演方法可以分為兩大類：隨機搜索方法，如Monte Carlo法、模擬退火和遺傳演算法及基於非線性最小平方理論的非線性解析反演方法。遺傳演算法能尋找到全局最優解，但它為一種較費時的方法。非線性解析反演方法能給出一個與初始模型有關的局部最優解。然而，這種方法具有較快的收斂速度。遺傳演算法與非線性解析反演方法相結合的反演方法利用這兩種反演方法的優點而克服其缺點。因此，結合反演方法既能快速收斂，又能尋找到全局最優解。如何合理地將遺傳演算法和非線性解析反演方法結合是十分重要的。本文提出一種結合方案，即在連續若干次遺傳演算法迭代後作一次非線性解析反演。理論算例表明結合反演方法具有上述特點。

關鍵詞遺傳演算法非線性解析反演非線性結合反演各向異性介質

1引言

遺傳演算法為隨機搜索類方法之一，它以概率論為理論基礎，用於求解多極值復雜優化問題^[9]。遺傳演算法不要求已知模型空間中後驗概率密度的形狀並能廣泛搜索模型空間。遺傳演算法模擬自然選擇和遺傳規律，並遵循適者生存的原則。

遺傳演算法由Holland在1975年提出^[4]。Berg首先將遺傳演算法應用於地球物理優化問題^[1]。Stoffa等系統地研究了種群大小、交叉概率、選擇概率和變異概率對多參數優化問題收斂性和收斂速度的影響^[11]。Sen等討論了在選擇概率中引入溫度參數的作用並提出一些退火方案^[10]。周輝等則研究了目標函數與收斂速度和解的精度的關系^[16]。

基於最小平方優化理論的非線性反演方法是兩大類反演方法之一。當給定的初始模型位於目標函數全局最優解所在的峰谷附近時，這種下降類方法能給出正確解而與初始模型位置無關。下降類演算法研究得較深入，應用較廣。

Tarantola提出一種基於廣義最小二乘法的多維多偏移距聲波地震波形解釋的一般性非線性地震波形反演方法^[12]。隨後，Tarantola將該理論推廣於各向同性介質的彈性波反演^[13]。Gauthier等用理論數據驗證了Tarantola提出的方法的正確性^[2]。稍後，Tarantola研究非線性解析法反射波彈性反演的策略，指出以縱橫波的波阻抗和密度作為反演參數，才盡可能使反演參數之間相互獨立^[14]。Pan用τ—P變換研究層狀聲學介質中平面波地震記錄非線性解析反演的理論和可行性^[6]。為了更多地利用地震數據中的信息，包括VSP資料中反射和轉換信息，Mora作了一些工作^[5]。當僅用反射數據時反演主要解決引起反射的P波和S波的波阻抗突變。當利用轉換數據時，則能分辨大尺度的P波和S波速度變化。Sambridge等改進了修改模型的方法^[8]。在子空間中，可同時得到P波、S波波阻抗和密度。周輝等將非線性梯度反演方法推廣於多維、多道、多分量任意彈性各向異性介質參數的反演^[17]。

非線性解析反演方法和遺傳演算法結合的反演方法利用非線性解析反演和遺傳演算法的優點，克服它們的缺點。因此，結合反演方法不僅能搜索到全局最優解，而且能較快地收斂。Porsani等在遺傳演算法和廣義線性反演方法相結合方面作了一些研究^[7]。

本文討論各向異性介質的非線性解析反演方法和遺傳演算法與非線性解析反演方法相結合的結合反演方法^[17]。對於遺傳演算法讀者可參考遺傳演算法的相關文獻^[3,9～11]。

2各向異性介質參數非線性解析反演方法

2.1共軛梯度法

反演的目的是利用地面或井中測得的位移場uⁱ（x_r,t）求取地下介質密度分布ρ（x）和彈性參數分布C_ijkl（x）。ρ（x）、C_ijkl（x）稱為模型參數。x為研究介質中或邊界上任一點，x=（x₁,x₂,x₃）,x_r為接收點。反演的目標是使目標函數

岩石圈構造和深部作用

取極小值。其中C_d、C_m分別為數據（波場）和模型參數的協方差運算元。m₀為先驗模型參數，m為反演過程中求得的模型參數。由於模型參數有多個，故用向量表示。u_cal為給定m的波動方程正演記錄，u_obs為觀測波場，上角標t表示轉置。地震記錄u和模型參數m之間的函數關系為

岩石圈構造和深部作用

g為非線性運算元，（2）式為波動方程的運算元形式。記第n次迭代時的模型參數為m_n，則有

岩石圈構造和深部作用

及共軛梯度法的迭代公式^[15]

岩石圈構造和深部作用

其中G_n為g對m_n的Frechet導數，η_n為一常數，可由多種方法計算^[5,8]。

梯度

為模型空間的對偶空間中的一個元素。模型空間和其對偶空間以模型參數的協方差運算元C_m=Diag（C_p，C_c）由式（4d）相聯系。在後面將給出

和

的表達式。

式（4）為梯度反演方法的基本公式。當該公式中的每一量都已知時，迭代就可進行。在這些變數中，最關鍵的是梯度向量。

2.2目標函數

在最小二乘理論中，權函數是協方差運算元逆的核。假設數據集中的誤差是不相關的，它僅取決於時間或源和接收器的位置，那麼有^[14]

岩石圈構造和深部作用

其中σ為數據的均方差。

2.3各向異性介質中的彈性波動方程

令f_i（x,t;x_s）是第s次激發的內體力密度，T_i（x,t;x_s）是地球表面S的應力矢量分量，n_i（x）是表面的單位法向分量。那麼與第s次激發相應的位移由以下微分方程組給出^[15]

岩石圈構造和深部作用

2.4梯度向量

式（4）中梯度向量的分量為^[17]

岩石圈構造和深部作用

其中，T為地震記錄的長度，

為反向傳播場，滿足

岩石圈構造和深部作用

其中，t∈[T,0]，

滿足終了時間條件。

3結合反演方法

3.1遺傳演算法和非線性解析反演方法的優缺點

遺傳演算法是利用概率論來求解多極值復雜優化問題的一種隨機搜索方法，由一組隨機選取的模型開始，不需要更多的先驗信息，廣泛而有效地對模型空間的最優部分采樣。盡管遺傳演算法是基於自然選擇、遺傳規律，搜索模型空間的最優部分而求得最優解，但它是一種計算量很大的方法。由於地震模型空間大，用全局最優化方法估計各向異性介質參數的地震波形反演十分費時。

目標函數的梯度信息是非線性解析反演方法修改模型參數的依據，它能給出一個接近初始模型的一個局部最優解。如果初始模型選擇得合適，即當初始模型處在全局最優解所在的目標函數低谷時，非線性解析反演方法能收斂於全局最優解。然而，恰好給出一個接近全局最優解的初始模型的概率是非常小的，尤其對沒有模型參數的任何先驗信息的情況。但應強調的是，非線性解析反演方法具有較快的收斂速度。

發揮非線性解析反演方法快速收斂和遺傳演算法能搜索到全局最優解的優點，而克服前者僅能尋找到局部最優解和後者運算量大的缺點是很有意義的。非線性解析反演方法和遺傳演算法相結合的反演方法可達到上述目的。在結合反演方法中，遺傳演算法的作用是提供接近全局最優解的模型，非線性解析反演的作用是盡快求出全局最優解。因此，結合反演方法具有搜索到全局最優解的能力和比遺傳演算法收斂速度快的特點。

3.2結合方案

遺傳演算法在優化過程中連續不斷地搜索整個模型空間。在每次迭代結束後，得到一個本代的最優模型。根據遺傳演算法的數學原理^[3]，最優模型的數量在下一代中得以增加，同時經交叉和變異作用又有新的模型產生。在下一代種群中，最優模型可能與前一代的相同，也有可能劣於前一代的最優模型。所有這些最優模型可能在目標函數的同一低谷處，也有可能在其它低谷處。遺傳演算法尋找最優模型要經過多次迭代才能確定一個極值。遺傳演算法的隨機性導致遺傳演算法是一種費時的方法。然而正是遺傳演算法的這種隨機性保證了它能搜索到全局最優解。

如果將每次遺傳演算法迭代的最優解作為非線性解析反演的初始模型，非線性解析反演可以找出與初始模型毗鄰的局部最優解。由於非線性解析反演是一種確定性的方法，它按目標函數的梯度方向修改模型，所以非線性解析反演方法只需幾次迭代即可收斂。非線性解析反演求得的解是否為全局最優解，非線性解析反演方法本身是無法得以保證的。只有當遺傳演算法提供接近全局最優解的初始模型時，非線性解析方法反演才能收斂到全局最優解。

結合反演方法中遺傳演算法和非線性解析反演方法的匹配方式是十分重要的。非線性解析反演方法得到接近遺傳演算法提供的初始模型的局部最優解後，在以後若干代中因遺傳演算法的隨機性而使其最優解與該局部最優解相同。如果每次遺傳演算法迭代後作非線性解析反演，那麼結合反演的結果在幾代內都是相同的。顯然其中的一些非線性解析反演是沒有必要的。因此，結合方式應為在連續多次遺傳演算法迭代後作一次非線性解析反演，然後將非線性解析反演的結果作為下一代種群中的一個母本模型。圖1為結合反演的框圖。

圖1結合反演框圖

4算例

為了驗證結合反演方法的優越性，對一維多層橫向各向同性介質參數的反演理論實例作了分析。

圖2是目標函數值與迭代次數的關系圖。在該結合反演算例中每次遺傳演算法迭代後就作一次非線性解析反演迭代。結合反演的誤差在開始幾次迭代中下降很快，尤其在前3次。結合反演方法在第10次迭代達到的較小誤差，遺傳演算法在第42次迭代才達到。結合反演的誤差比遺傳演算法的跳躍得嚴重。這是因為非線性解析反演得到的模型在遺傳演算法中作為母代參加繁衍。這個模型因遺傳演算法的隨機性常常被新的模型替代。這兩個模型可能位於目標函數兩個不同的低谷中，因此非線性解析反演的結果不同。

盡管結合反演的目標函數有些振盪，但也存在連續幾次迭代目標函數幾乎不變的現象。這意味著這幾次迭代的最優模型是很接近的。在這種情況下非線性解析反演不能提供較大的改進。所以，此時的非線性解析反演是沒有必要的，否則只能增加計算量。

圖2結合反演（實線）和遺傳演算法（虛線）的誤差與迭代次數的關系

結合反演中每次遺傳演算法迭代後作一次非線性解析反演迭代

圖3是另一個例子。在該結合反演例子中，每五次遺傳演算法迭代作一次非線性解析反演。在這里遺傳演算法佔主要地位。此時結合反演的誤差函數明顯比遺傳演算法的小。結合反演的誤差在第5次迭代末突然下降，並在第10次迭代時的小誤差，遺傳演算法在42代才達到。遺傳演算法始終沒有到達結合反演的最小誤差。結合反演的誤差在後期迭代過程中平穩下降，這是遺傳演算法佔主導地位的原因。

從該例可知，若遺傳演算法與非線性解析反演方法比較合理地結合，結合反演方法比遺傳演算法具有快得多的收斂速度。

5結論

非線性結合反演方法揚遺傳演算法和非線性解析反演方法之長，抑其之短，它是一種具有較快收斂速度的全局反演方法。

在結合反演中遺傳演算法和非線性解析反演方法的結合方式是重要的。從算例可得出，五次遺傳演算法迭代後作一次非線性解析反演的結合反演的效果明顯優於每次遺傳演算法迭代後都作非線性解析反演的結合反演的效果。但是在結合反演中連續作多少次遺傳演算法迭代及連續迭代次數在整個迭代過程中的可變性還有待於進一步研究。

圖3結合反演（實線）和遺傳演算法（虛線）的誤差與迭代次數的關系

結合反演中每五次遺傳演算法迭代後作一次非線性解析反演迭代

在結合反演中遺傳演算法的作用是提供接近全局最優解的初始模型。結合反演的運算速度主要取決於遺傳演算法的運算速度。均勻設計理論可以應用於遺傳演算法以加快隨機搜索的速度。

與遺傳演算法相同，其它隨機搜索方法也可用來與非線性解析反演方法形成結合反演方法。

參考文獻

[1]E.Berg.Simple convergent genetic algorithm for inversion of multiparameter data.SEG60 Expanded Abstracts,1990，Ⅱ，1126～1128.

[2]O.Gauthier,J.Virieux and A.Tarantola.Two-dimensional nonlinear inversion of seismic waveforms:Numerical results.Geophysics,1986,51,1387～1403.

[3]D.E.Goldberg.Genetic Algorithms in Search,Optimiztion,and Machine Learning.Addison-Wesley,Reading,MA,1989.

[4]J.H.Holland.Adaptation in Natural and Artifical Systems.The University of Michigan Press,Ann Arbor,1975.

[5]P.Mora.2D elastic inversion of multi-offset seismic data.Geophysics,1988,52,2031～2050.

[6]G.S.Pan,R.A.Phinney,and R.I.Odom.Full-waveform inversion of plane-wave seismograms in stratified acoustic media:Theory and feasibility.Geophysics,1988,53,21～31.

[7]M.J.Porsani,P.L.Stoffa,M.K.Sen,et al..A combined Genetic and linear inversion algorithm for seismic wave-form inversion.SEG63 Expanded Abstracts,1993,692～695.

[8]M.S.Sambridge,A.Tatantola and Kennet.An alternative strategy for nonlinear inversion of seismic waveforms.Geophysical Prospecting,1991,39,723～736.

[9]M.Sambridge,and G.Drijkoningen.Genetic algorithms in seismic waveform inversion.Geophys.J.Int.,1992,109,323～342.

[10]M.K.Sen,P.L.Stoffa.Rapid sampling of model space using genetic algorithms:examples from seismic waveform inversion.Geophys.J.Int.,1992,109,323～342.

[11]P.L.Stoffa,M.K.Sen.Nonlinear multiparametre optimization using genetic algorithms:Inversion of plane-wave seismograms.Geophysics,1991,56,1794～1810.

[12]A.Tarantola.Inversion of seismic reflection data in the acoustic approximation.Geophysics,1984（a）,49,1259～1266.

[13]A.Tarantola.The seismic reflection inverse problem.In:F.Santosa,Y.-H.Pao,W.W.System,and C.Holland Eds.Inverse problems of acoustic and elastic waves.Soc.Instr.Appl.Math.,1984（b）,104～181.

[14]A.Tarantola.A strategy for nonlinear elastic inversion of seismic reflection data.Geophysics,1986,51,1893～1903.

[15]A.Tarantola.Inverse problem theory:Methods for data fitting and model parameter estimation.Elsevier Science Publ.Co.Inc.,1987.

[16]周輝，何樵登.遺傳演算法在各向異性介質參數反演中的應用.長春地質學院學報，1995,25，增刊1,62～67.

[17]周輝.各向異性介質波動方程正演及其非線性反演方法研究.長春地質學院博士論文，1995.

8. 小波分析法和遺傳演算法之間是什麼樣的關系

1、小波變換是通過縮放母小波（Mother wavelet）的寬度來獲得信號的頻率特徵， 通過平移母小波來獲得信號的時間信息。對母小波的縮放和平移操作是為了計算小波系數，這些小波系數反映了小波和局部信號之間的相關程度。小波變換基，既具有頻率局域性質，又具有時間局域性質。小波變換的多分辨度的變換，能在多個尺度上分解，便於觀察信號在不同尺度（解析度）上不同時間的特性。小波變換存在快速演算法，對於M點序列而言，計算復雜性為：O(M)，處理快速。小波變換基函數有多種類型，可以是正交的，也可以是非正交（雙正交），比傅里葉變換更加靈活。小波分析的應用領域十分廣泛，它包括：數學領域的許多學科；信號分析、圖像處理；量子力學、理論物理；軍事電子對抗與武器的智能化；計算機分類與識別；音樂與語言的人工合成；醫學成像與診斷；地震勘探數據處理；大型機械的故障診斷等方面；例如，在數學方面，它已用於數值分析、構造快速數值方法、曲線曲面構造、微分方程求解、控制論等。在信號分析方面的濾波、去雜訊、壓縮、傳遞等。在圖像處理方面的圖像壓縮、分類、識別與診斷，去污等。在醫學成像方面的減少B超、CT、核磁共振成像的時間，提高解析度等。
(1)小波分析用於信號與圖像壓縮是小波分析應用的一個重要方面。它的特點是壓縮比高，壓縮速度快，壓縮後能保持信號與圖像的特徵不變，且在傳遞中可以抗干擾。基於小波分析的壓縮方法很多，比較成功的有小波包最好基方法，小波域紋理模型方法，小波變換零樹壓縮，小波變換向量壓縮等。
(2)小波在信號分析中的應用也十分廣泛。它可以用於邊界的處理與濾波、時頻分析、信噪分離與提取弱信號、求分形指數、信號的識別與診斷以及多尺度邊緣檢測等。
(3)在工程技術等方面的應用。包括計算機視覺、計算機圖形學、曲線設計、湍流、遠程宇宙的研究與生物醫學方面。
2、遺傳演算法(Genetic Algorithm, GA)是近幾年發展起來的一種嶄新的全局優化演算法，它借
用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現各個個體的適應性
的提高。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱並行性和更好的全局尋優能力；採用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳演算法的這些性質，已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。遺傳演算法的一些主要應用領域：
（1）函數優化
函數優化是遺傳演算法的經典應用領域，也是遺傳演算法進行性能評價的常用算例，許多人構造出了各種各樣復雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。對於一些非線性、多模型、多目標的函數優化問題，用其它優化方法較難求解，而遺傳演算法可以方便的得到較好的結果。
（2）組合優化
隨著問題規模的增大，組合優化問題的搜索空間也急劇增大，有時在目前的計算上用枚舉法很難求出最優解。對這類復雜的問題，人們已經意識到應把主要精力放在尋求滿意解上，而遺傳演算法是尋求這種滿意解的最佳工具之一。實踐證明，遺傳演算法對於組合優化中的NP問題非常有效。例如遺傳演算法已經在求解旅行商問題、 背包問題、裝箱問題、圖形劃分問題等方面得到成功的應用。 此外，GA也在生產調度問題、自動控制、機器人學、圖象處理、人工生命、遺傳編碼和機器學習等方面獲得了廣泛的運用。
綜上所述，小波分析法和遺傳演算法主要有一下幾方面的不同:(1)演算法原理不同;(2)演算法的應用側重領域不同。遺傳演算法不是求解小波分析函數的一種演算法。

9. 如何將微分方程組轉化為約束條件，進而使用遺傳演算法求解

不用轉化也可以求解的