低通滤波及时隙.docVIP

遗传算法介绍(内含实例) 　　现代生物遗传学中描述的生物进化理论: 　　遗传物质的主要载体是染色体(chromsome),染色体主要由DNA和蛋白质组成。其中DNA为最主要的遗传物质。 基因(gene)是有遗传效应的片断,它存储着遗传信息,可以准确地复制,也能发生突变,并可通过控制蛋白质的合成而控制生物的状态.生物自身通过对基因的复制(reproduction)和交叉(crossover,即基因分离,基因组合和基因连锁互换)的操作时其性状的遗传得到选择和控制。生物的遗传特性,使生物界的物种能保持相对的稳定;生物的变异特性,使生物个体产生新的性状,以至于形成了新的物种(量变积累为质变),推动了生物的进化和发展。 　　遗传学算法和遗传学中的基础术语比较 染色体(chromosome)??? 数据,数组,序列 基因(gene) 单个元素,位 等位基因(allele) 数据值,属性,值 基因座(locus)? 位置,iterator位置 表现型(phenotype)? 参数集,解码结构,候选解 遗传隐匿(epistasis)? 非线性 　　染色体又可以叫做基因型个体(individuals),一定数量的个体组成了群体(population),群体中个体的数量叫做群体大小。各个个体对环境的适应程度叫做适应度(fitness) 　　遗传算法的准备工作: 　　1)数据转换操作,包括表现型到基因型的转换和基因型到表现型的转换。前者是把求解空间中的参数转化成遗传空间中的染色体或者个体(encoding),后者是它的逆操作(decoding) 　　2)确定适应度计算函数,可以将个体值经过该函数转换为该个体的适应度,该适应度的高低要能充分反映该个体对于解得优秀程度。非常重要的过程！ 　　遗传算法的基本步骤 　　遗传算法是具有生成+检测(generate-and-test)的迭代过程的搜索算法。 基本过程为: 　　1)编码,创建初始集团 　　2)集团中个体适应度计算 　　3)评估适应度 　　4)根据适应度选择个体 　　5)被选择个体进行交叉繁殖, 　　6)在繁殖的过程中引入变异机制 　　7)繁殖出新的集团,回到第二步 　　一个简单的遗传算法的例子:求 [0,31]范围内的y=(x-10)^2的最小值 　　1)编码算法选择为将x转化为2进制的串,串的长度为5位。(等位基因的值为0 or 1) 　　2)计算适应度的方法是:先将个体串进行解码,转化为int型的x值,然后使用y=(x-10)^2作为其适应度计算合适(由于是最小值,所以结果越小,适应度也越好) 　　3)正式开始,先设置群体大小为4,然后初始化群体 = (在[0,31]范围内随机选取4个整数就可以,编码) 　　4)计算适应度Fi(由于是最小值,可以选取一个大的基准线1000,Fi = 1000 - (x-10)^2) 　　5)计算每个个体的选择概率.选择概率要能够反映个体的优秀程度.这里用一个很简单的方法来确定选择概率 　　P=Fi / TOTAL(Fi). 　　6)选择. 　　根据所有个体的选择概率进行淘汰选择.这里使用的是一个赌轮的方式进行淘汰选择.先按照每个个体的选择概率创建一个赌轮,然后选取4次,每次先产生一个0-1的随机小数,然后判断该随机数落在那个段内就选取相对应的个体.这个过程中,选取概率P高的个体将可能被多次选择,而概率低的就可能被淘汰. 　　下面是一个简单的赌轮的例子  　　随机数为0.67落在了个体4的端内.本次选择了个体4. 被选中的个体将进入配对库(mating pool,配对集团)准备开始繁殖. 　　7)简单交叉 　　先对配对库中的个体进行随机配对.然后在配对的2个个体中设置交叉点,交换2个个体的信息后产生下一代. 比如( | 代表简单串的交叉位置) 　　?( 0110|1, 1100|0 ) --交叉-- (01100,11001) ?　　( 01|000, 11|011 ) --交叉-- (01011,11000) 　　2个父代的个体在交叉后繁殖出了下一代的同样数量的个体. 复杂的交叉在交叉的位置,交叉的方法,双亲的数量上都可以选择.其目的都在于尽可能的培育出更优秀的后 代 　　8)变异 　　变异操作时按照基因座来的.比如说没计算2万个基因座就发生一个变异(我们现在的每个个体有5个基因座.也就是说要进化1000代后才会在其中的某个基因座发生一次变异.)变异的结果是基因座上的等位基因发生了变化.我们这里的例子就是把0变成1或则1变成0. 　　至此,我们已经产生了一个新的(下一代)集团.然后回到第4步,周而复始,生生不息下去:) //Init populationforeach ind