《论文遗传算法的基本步骤.docVIP

遗传算法 遗传算法（Genetic Algorithm）是基于进化论的原理发展起来的一种广为应用，高效的随机搜索与优化的方法。它从一组随机产生的初始解称为“种群”，开始搜索过程。种群中的每个个体是问题的一个解，成为“染色体”是一串符号。这些染色体在每一代中用“适应度”来测量染色体的好坏, 通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高,被选中的概率越大。适应度越低，被淘汰的概率越大。每一代都保持种群大小是常数。经过若干代之后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。 比如有编号为1到10的特征，现在要选取其中的5个，基于遗传算法的特征选择可以如下这样直观的理解： 下续（表格） 下续…… 初始群体 第一次迭代 第二次迭代 特征组合 判别值 特征组合 判别值 特征组合 判别值 1,2,3,4,9 8 1,2,3,4,9 8 1,3,5,7,9 13 2,3,6,8,9 7 1,3,5,7,8 10 1,2,3,7,8 10 6,7,8,9,10 4 1,2,3,7,9 12 1,3,5,7,8 10 1,3,5,7,8 10 1,3,4,5,8 9 1,2,3,7,9 12 即设有4个不同的初始特征组合，分别计算判别值，然后取最大的2个组合（[1,2,3,4,9]和[1,3,5,7,8]）进行杂交，即互换部分相异的特征（4和7），得到新的两个特征组合（[1,2,3,7,9]和[1,3,4,5,8]）,然后再计算这两个新的组合的判别值，和原来的放在一起，再从中选择2个具有最大判别值的组合进行杂交。如此循环下去，在某一代的时候就得到了一个最好的特征组合（比如第2代的[1,3,5,7,9]的特征组合）。当然，在实际中每代的个体和杂交的数量是比较大的。 遗传算法的具体的步骤如下： 1.编码：。初始群体的生成：随机产生个初始串结构数据，每个串结构数据称为一个个体个个体构成了一个群体。GA以这个串结构数据作为初始点开始迭代。需要根据问题的规模而确定。 3.交换：交换操作是遗传算法中最主要的遗传操作。)挑选的每两个父代通过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。适应值评估检测：选择：选择的目的是为了从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的概率大选择实现了达尔文的适者生存原则个个体个的集合。 6.变异：变异首先在群体中随机选择一个体，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