遗传算法

1.遗传算法的研究对象：

 研究各种非线性、多变量、多目标、复杂的自适应系统问题。

2.遗传算法的基本特征：

• 智能式搜索：依据适应度（目标函数）进行智能搜索。
• 渐进式优化：利用复制、交换、突变等操作，使下一代结果优于上一代。
• 全局最优解：利用交换和突变操作产生新个体，使得搜索得到的优化结果逼近全局最优解
• 黑箱式结构：根据问题的特性进行编码（输入）和确定适应度（输出），具有只考虑输入与输出关系的黑箱式结构，并不深究输入与输出关系的原因。
• 通用性强：不要求明确的数学表达式，只需要一些简单的原则要求，可应用于解决离散问题、函数关系不明确的复杂问题。
• 并行式运算：每次迭代计算都是对群体中的所有个体同时进行运算，是并行式运算方式，搜索速度快。

3.遗传算法运算流程图：

4.几个重要概念

• 编码：遗传算法的工作对象是字符串，对字符串的编码要求：字符串要反映所研究问题的性质；字符串的表达式要便于计算机处理。 

 

• 适应度：在遗传算法中，衡量个体优劣的尺度是适应度。根据适应度的大小决定个体繁殖的数量、或者决定其是否消亡。适应度是驱动遗传算法的动力。
• 交换：产生新个体的一种方法，将两个个体的部分字符互相交换
• 变异：产生新个体的另一种方法，将被选择的个体的部分字符进行补运算。
• 终止条件：遗传算法是一种反复迭代的搜索方法，它通过多次进化逐渐逼近最优解。最常用的终止方法是迭代函数。当目标函数有最优目标值时，可采用控制偏差的方式实现终止。第三种终止方法是检查适应度变化。

5. 模式理论的基本概念

编码的左边数字越小，则其适应度将越大。这种字符串（编码）的形式特征就叫做编码的模式。

模式中确定的字符的个数称为模式的阶次（Order），记作O(H)。例如：0（000**）=3。

模式中最前面和最后面两个确定字符串的距离称为模式的长度（H）， （00*0*）=3, （*0***）=0