遗传算法简介及sga流程.docVIP

遗传算法： 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化有哪些信誉好的足球投注网站方法。 遗传算法(Genetic Algorithms简称GA)是由美国Michigan大学的John Holland教授于20世纪60年代末创建的。它来源于达尔文的进化论和孟德尔、摩根的遗传学理论，通过模拟生物进化的机制来构造人工系统。遗传算法作为一种全局优化方法，提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对优化函数的要求很低并且对不同种类的问题具有很强的鲁棒性，所以广泛应用于计算机科学、工程技术和社会科学等领域。John Holland教授通过模拟生物进化过程设计了最初的遗传算法，我们称之为标准遗传算法。 标准遗传算法流程如下： 1）初始化遗传算法的群体，包括初始种群的产生以及对个体的编码。 2）计算种群中每个个体的适应度，个体的适应度反映了其优劣程度。 3）通过选择操作选出一些个体，这些个体就是母代个体，用来繁殖子代。 4）选出的母代个体两两配对，按照一定的交叉概率来进行交叉，产生子代个体。 5）按照一定的变异概率，对产生的子代个体进行变异操作。 6）将完成交叉、变异操作的子代个体，替代种群中某些个体，达到更新种群的目的。 7）再次计算种群的适应度，找出当前的最优个体。 8）判断是否满足终止条件，不满足则返回第3）步继续迭代，满足则退出迭代过程，第7）步中得到的当前最优个体，通过解码，就作为本次算法的近似最优解。 　　一般称之为“早熟”，是遗传算法中的一种现象。指在遗传算法早期，在种群中出现了超级个体，该个体的适应值大大超过当前种群的平均个体适应值。从而使得该个体很快在种群中占有绝对的比例，种群的多样性迅速降低，群体进化能力基本丧失，从而使得算法较早收敛于局部最优解的现象。 　　早熟收敛的本质特征是指群体中的各个个体非常相似，群体的多样性急剧减少，当前群体缺乏有效等位基因（最优解位串上的等位基因），在遗传算子作用下不能生成高阶竞争模式。 适应是指处理和分析过程中,根据处理数据的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件,使其与所处理数据的统计分布特征、结构特征相适应,以取得最佳的处理效果。遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式有哪些信誉好的足球投注网站算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。 ? ? 一.进化论知识? 　　作为遗传算法生物背景的介绍，下面内容了解即可： 　　种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。 　　个体：组成种群的单个生物。 　　基因 ( Gene ) ：一个遗传因子。? 　　染色体 ( Chromosome ) ：包含一组的基因。 　　生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。 　　遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。 ? 　　简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变 ( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。 ? ? 二.遗传算法思想? 　　借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。 　　举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取） ；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。 ? 　　编码：需要将问题的解编码成字符串的形式才能使用遗传算法。最简单的一种编码方式是二进制编码，即将问题的解编码成二进制位数组的形式。例如，问题的解是整数，那么可以将其编码成二进制位数组的形式。将0-1字符串作为0-1背包问题的解就属于二进制编码。 ? 　　遗传算法有3个最基本的操作：选择，交叉，变异。 ? 　　选择：选择一些染色体来产生下一代。一种常用的选择策略是 “比例选择”，也就是个体被选中的