深入浅出遗传算法讲解.docx

一、初探遗传算法 维基百科对遗传算法所给的解释： 遗传算法是计算数学中用于解决最优化的有哪些信誉好的足球投注网站算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。 ? 遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。 基本遗传算法的框图： ? 遗传算法基本步骤是： 1） 初始化t←0进化代数计数器；T是最大进化代数；随机生成M个个体作为初始群体P（t）； 2）??个体评价?计算P（t）中各个个体的适应度值； 3）??选择运算?将选择算子作用于群体； 4）??交叉运算?将交叉算子作用于群体； 5）??变异运算?将变异算子作用于群体，并通过以上运算得到下一代群体P（t?+?1）; 6）??终止条件判断??t≦T：t←?t+1?转到步骤2； ???????????????tT：终止?输出解。? ? 好的，看下遗传算法的伪代码实现： ▲Procedures??GA：???伪代码 begin ???initialize?P(0); ???t?=?0;?????????//t是进化的代数，一代、二代、三代... ???while(t?=?T)?do ??????for?i?=?1?to?M??do? //M是初始种群的个体数 ????????Evaluate?fitness?of?P(t);? //计算P（t）中各个个体的适应度 ??????end?for ??????for?i?=?1?to?M??do ??????????Select?operation?to?P(t);??//将选择算子作用于群体 ??????end?for ??????for?i?=?1?to?M/2??do ??????????Crossover?operation?to?P(t);?//将交叉算子作用于群体 ??????end?for ??????for?i?=?1?to?M??do ??????????Mutation?operation?to?P(t);??//将变异算子作用于群体 ??????end?for ??????for?i?=?1?to?M??do ??????????P(t+1)?=?P(t);??????//得到下一代群体P（t?+?1） ??????end?for ??????t?=?t?+?1;??????//终止条件判断??t≦T：t←?t+1?转到步骤2 ???end?while end ? 二、深入遗传算法 1、智能优化算法概述 智能优化算法又称现代启发式算法，是一种具有全局优化性能、通用性强且适合于并行处理的算法。 这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。? 遗传算法属于智能优化算法之一。? ? 常用的智能优化算法有： 遗传算法?、模拟退火算法、禁忌有哪些信誉好的足球投注网站算法、粒子群算法、蚁群算法。 （本经典算法研究系列，日后将陆续阐述模拟退火算法、粒子群算法、蚁群算法。） ? 2、遗传算法概述 遗传算法是由美国的J.?Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的。 借鉴生物界自然选择和自然遗传机制的随机化有哪些信誉好的足球投注网站算法。? 模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象。 ? 在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个 体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。? ?基本遗传算法（Simple?Genetic?Algorithms，GA)又称简单遗传算法或标准遗传算法），是由Goldberg总结出的一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。 ? 3、基本遗传算法的组成 （1）编码（产生初始种群） （2）适应度函数 （3）遗传算子（选择、交叉、变异） （4）运行参数 ?1、编码 遗传算法（GA）通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。 正如研究生物遗传是从染色体着手，而染色体则是由基因排成的串。 基本遗传算法（SGA）使用二进制串进行编码。? ? 初始种群：基本遗传算法（SGA）采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。 ? 2、