第九章遗传算法

第九章遗传算法内容摘要：

目称为群体规模 （ population size） ，各个体对环境的适应程度称为适应度 （ fitness）。 3．编码和解码 前者是把搜索空间中的参数或解转换成遗传空间中的染色体或个体，此过程称为编码（ coding）操作；后者是前者的逆操作，称为解码（ decoding）操作。 表 生物遗传学与遗传算法基础术语对照表 生物遗传学（ natural geics） 遗传算法（ GA） 染色体 (chromosome) 串（ string），个体 (individual) 基因（ gene） 特征 (feature)，个性 (character) 基因座（ locus） 串中位置 (string position) 基因型（ genotype） 表现型（ phenotype） 结构 (structure) 参数集（ parameter set） 解码结构（ decoded structure） 侯选解（ alternative solution） 遗传隐匿（ epistasis） 非线性（ nonlinearity） 二、传统遗传算法 图 遗传算法的基本流程 编码和初始群体生成群体中个体适应度的检测评估选 择交 叉变 异 遗传算法三个主要操作算子是选择 （ selection） 、交叉 （ crossover） 和变异 （ mutation） ， 它们构成了所谓遗传操作 （ geic operation） ， 使遗传算法具备了其他传统方法所没有的 特性。 遗传算法中包含如下五个基本要素： (1) 参数编码； (2) 初始群体的设定； (3) 适应度函数的设计； (4) 遗传操作设计； (5) 操作参数设定 （ 主要指群体规模及执行遗传操作的概率等 ）。 假定用 GA求函数 f(x)=x2的最大值，设 x∈ [0,31]。 串编号 初始群体（随机产生） X值（无 符号 整数） 适应度 f(x)=x2 选择概率 适应度期望值 实际计算 （来自赌轮） 复制后配对库（竖线表示交叉点） 交叉位置 （随机选择） 新一代群体 X值 适应度 f(x)=x2 1 01101 13 169 1 01101 4 01100 12 144 2 11000 24 576 2 11000 4 11001 25 625 3 01000 8 64 0 11000 2 11011 27 729 4 10011 19 361 1 10011 2 10000 16 256 总和 1170 4 1754 平均 293 1 439 最大 576 2 729 j jfifsp_fif 表 遗传算法求 f(x)=x2极值的计算流程 (1) 编码 由于遗传算法不能直接处理解空间的解数据 ， 所以必须通过编码将其表示成遗传空间的基因型串结构数据。 (2) 初始群体的形成 由于遗传算法执行群体型操作 ， 所以必须为遗传操。