遗传算法及其应用——遗传算法的基本概念&遗传算法的基本算法(编码&群体设定&适应度函数&选择&交叉&变异&遗传算法步骤)&解决带约束的函数优化问题&多目标的遗传算法&遗传算法的改进算法
遗传算法及其应用——遗传算法的基本概念&遗传算法的基本算法(编码&群体设定&适应度函数&选择&交叉&变异&遗传算法步骤)&解决带约束的函数优化问题&多目标的遗传算法&遗传算法的改进算法
遗传算法的基本概念
遗传算法的产生与发展
通过选择、交叉、变异等操作机制使种群个体的适应性不断提高。
遗传问题求解过程
编码
形成初始群体(随机生成)
计算适应度
复制(将表中适应度小的完全替换为适应度大的)
交叉(让适应度高的个体进行杂交,替换掉染色体中的某些部位)
变异(会有事先给定的变异概率,随机改变字符串个体字符的某些部位)
终止
遗传算法的基本算法
编码
1、位串编码
(1)二进制编码
(2) G r a y Gray Gray编码( i n t e r e s t i n g interesting interesting)
G r a y Gray Gray编码:将二进制编码通过一个变换进行转换得到的编码
G
r
a
y
Gray
Gray编码的特点:任意两个连续的两个整数的编码值之间只有一个位是不同的,其他位都完全相同。克服了二进制编码的
H
a
m
m
i
n
g
Hamming
Hamming悬崖问题
2、实数编码
3、多参数级联编码
群体设定
初始种群产生
确定最优解范围
使初始群体个数达一定规模
种群规模的确定(过大过小都不好)
群体规模太小,遗传算法的优化性能不太好,易陷入局部最优解
群体规模太大,计算复杂
适应度函数
适应度函数的尺度变换
选择(复制)
个体选择概率分配方法
适应度比例法(蒙特卡罗法)
排序方法
线性排序
非线性排序
选择个体方法
轮盘赌选择(与适应度比例和随机数相结合)
锦标赛选择方法
最佳个体保存方法
交叉
一点交叉
两点交叉
变异
遗传算法步骤
- 生成初始种群
- 计算每个染色体适应值
- 满足条件停止,否则构建新的种群
- 以一定概率交叉产生新的染色体,得到一个新的种群
- 以较小的概率使染色体发生变异,形成新的种群,重新计算适应度