本文共 1918 字，大约阅读时间需要 6 分钟。
遗传算法：
基本思想：在求解问题时从多个解开始，然后通过一定的法则进行逐步迭代以产生新的解
遗传算法的基本要素：
编码
生成初始种群
适应度函数
个体选择概率
个体选择方法
交叉操作
变异
编码：
位串编码：
将问题空间的参数用一维数组表示
(1)二进制编码：用若干二进制数表示一个个体，将原问题的解空间映射到位串空间B={0,1}上，然后在位串空间上进行遗传操作
优点：类似生物染色体的组成，算法易于用生物遗传理论解释，遗传操作如交叉、变异等易实现；算法处理的模式数最多
缺点：相邻整数的二进制编码可能具有较大的Hamming距离，降低了遗传算子的搜索效率；要先给出求解精度
(2)Gray编码：将二进制编码通过一个变换进行转换得到的编码
实数编码：
采用实数表达不必进行数制转换，可直接在解的表现型上进行遗传操作
多参数映射编码的基本思想：把每个参数先进行二进制编码得到子串，再把这些子串连成一个完整的染色体
多参数映射编码中的每个子串对应各自的编码参数，所以，可以有不同的串长度和参数的取值范围
适应度函数的尺度变换：
欺骗问题：在遗传算法中，将所有妨碍适应度值高的个体产生，从而影响遗传算法正常工作的问题统称欺骗问题
过早收敛：缩小这些个体的适应度，以减低这些超级个体的竞争力
停滞现象：改变原始适应值的比例关系，以提高个体之间的竞争力
适应度函数的尺度变换或者定标：对适应度函数值域的某种映射变换
(1)线性变换：
f'=af+b；满足f'avg=favg，f'max=Cmult*favg
(2)幂函数变换：
f'=f^k
(3)指数变换：
f'=e^-af
选择：
(1)适应度比例法：
各个个体被选择的概率和其适应度值成比例
个体i被选择的概率：
(2)排序方法：
线性排序：
非线性排序：
交叉：
一般的交叉方法：
(1)一点交叉：
在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行交换，并生成两个新的个体
(2)两点交叉：
随机设置两交叉点，将两个交叉点之间的码串相互交换
修正的交叉方法：
(1)部分匹配交叉PMX：
A=9 8 4 | 5 6 7 | 1 3 2
B=8 7 1 | 2 3 9 | 5 4 6
先交换匹配区中的内容
A' = 9 8 4 | 2 3 9 | 1 3 2
B' = 8 7 1 | 5 6 7 | 5 4 6
将A'和B'中匹配区域外出现的重复项，按照匹配区内对应关系交换
A'' = 7 8 4 | 2 3 9 | 1 6 5
B'' = 8 9 1 | 5 6 7 | 2 4 3
(2)顺序交叉OX：
将匹配区外与另一基因匹配区内相同的值置为H
A' = H 8 4 | 5 6 7 | 1 H H
B' = 8 H 1 | 2 3 9 | H 4 H
将匹配区移动到起点位置，H移动到中间位置，其余值按顺序补在后面
A'' = 5 6 7 | H H H | 1 8 4
B'' = 2 3 9 | H H H | 4 8 1
将A，B的匹配区交换，放入预留区H的位置，即得到两个子代
A''' = 5 6 7 | 2 3 9 | 1 8 4
B''' = 2 3 9 | 5 6 7 | 4 8 1
(3)循环交叉CX：
A=1 2 3 4 5 6 7 8 9
B=5 4 6 9 2 3 7 8 1
得到从A第一位开始的循环基因：1-5-2-4-9-1
可用循环的基因A'，顺序与A相同
A=1 2 3 4 5 6 7 8 9
A'=1 2 x 4 5 x x x 9
剩余部分填入B对应的基因
A'=1 2 6 4 5 3 7 8 9
变异：
(1)位点变异：
群体中的个体码串，随机挑选一个或多个基因，并对这些基因的基因值以变异概率作变动
(2)逆转变异：
在个体码串中随机选择两点，然后将两点之间的基因值以逆向排序插入到原位置
(3)插入变异：
在个体码串中随机选择一个码，然后将此码插入随机选择的插入点中间
(4)互换变异：
随机选取染色体的两个基因进行简单互换
(5)移动变异：
随机选择一个基因，向左或向右移动一个随机位数
遗传算法的一般步骤：
遗传算法的特定：
遗传算法是一种全局优化概率算法
遗传算法对所求解的优化问题没有太多的数学要求，由于进化特性，搜索过程中不需要问题的内在性质，不论是线性还是非线性的，离散还是连续的都可以处理，可直接对结构对象进行操作
利用随机技术指导对一个被编码的参数空间进行高效搜索
采用群体搜索策略，易于并行化
仅用适应度函数值来评估个体，并在此基础上进行遗传操作，使种群中个体之间进行信息交换
转载地址：http://zmco.baihongyu.com/