遗传算法简介和代码详解.docVIP

WORD格式可编辑 专业知识分享 遗传算法简述及代码详解 声明：本文内容整理自网络，认为原作者同意转载，如有冒犯请联系我。 遗传算法基本内容 遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。 遗传学与遗传算法中的基础术语比较 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 染色体：又可以叫做基因型个体(individuals) 群体/种群(population)：一定数量的个体组成，及一定数量的染色体组成，群体中个体的数 量叫做群体大小。 初始群体：若干染色体的集合，即解的规模，如30，50等，认为是随机选取的数据集合。 适应度(fitness)：各个个体对环境的适应程度 优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码/译码，因为优化后要进行评价（此时得到的解是否较之前解优越），所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；如果直接生成二进制初始种群，则不必有编码过程，但要求解码时将染色体解码到问题可行域内。 遗传算法的准备工作: 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。 遗传算法基本过程为: 1) 编码，创建初始群体 2) 群体中个体适应度计算 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) 繁殖出新的群体，回到第二步 实例一：（建议先看实例二） 求 范围内的的最小值1) 编码算法选择为将转化为2进制的串，串的长度为5位（串的长度根据解的精度设 定，串长度越长解得精度越高）。(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 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)。 需要说明，将原目标函数设置为适应度函数是一种选择，但未必是最贴切的方法。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(由于是求解最小值，可以选取一个大的基准线1000 ）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 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 13% 35% 15% 37% ----------|----------------------------|------------------|---------------------------------|个体1 个体2 个体3 ^0.67 个体4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，配对群体)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