【遗传算法GA】入门：基本介绍

谁借莪１个温暖的怀抱￠ 2023-06-08 05:00 19阅读 0赞

遗传算法具体实现(详细过程)：[https://blog.csdn.net/See\_Star/article/details/102595697\#\_\_159][https_blog.csdn.net_See_Star_article_details_102595697_159]

# 一. 基本概念 #

**遗传算法的基本思想**是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止。遗传算法所涉及到的基本概念主要有以下几个：

*  **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（Individual）**：个体是指种群中的单个元素，它通常由一个用于描述其基本遗传结构的数据结构来表示。
 *  **基因 ( Gene )** ：一个遗传因子。
 *  **染色体 ( Chromos )** ：染色体是指对个体进行编码后所得到的编码串。其中的每1位称为基因，若干个基因构成的一个有效信息段称为基因组。
 *  **适应度（Fitness）函数**：适应度函数是一种用来对种群中各个个体的环境适应性进行度量的函数。对环境适应度高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。
 *  **遗传操作（Genetic Operator）**：遗传操作是指作用于种群而产生新的种群的操作。标准的遗传操作包括以下3种基本形式：
    
     *  **选择（Selection）**：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概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + ……… + f(Xn) ) 。比例选择实现算法就是所谓的\*\*“轮盘赌算法”( Roulette Wheel Selection )\*\* 。
     *  **交叉（Crosssover）**：2条染色体交换部分基因，来构造下一代的2条新的染色体。例如：  
        交叉前：  
        00000 | 011100000000 | 10000  
        11100 | 000001111110 | 00101  
        交叉后：  
        00000 | 000001111110 | 10000  
        11100 | 011100000000 | 00101  
        染色体交叉是以一定的概率发生的，这个概率记为Pc 。
     *  **变异（Mutation）** ：在繁殖过程，新产生的染色体中的基因会以一定的概率出错，称为变异。变异发生的概率记为Pm 。例如：  
        变异前：  
        000001110000000010000  
        变异后：  
        000001110000100010000

# 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。

# 三. 基本遗传算法的基本过程 #

遗传算法主要由染色体编码、初始种群设定、适应度函数设定、遗传操作设计等几大部分所组成，其算法主要内容和基本步骤可描述如下：

1.  选择编码策略，将问题搜索空间中每个可能的点用相应的编码策略表示出来，即形成染色体；
2.  定义遗传策略，包括种群规模N，交叉、变异方法，以及选择概率Pr、交叉概率Pc、变异概率Pm等遗传参数；
3.  令t=0，随机选择N个染色体初始化种群P(0)；
4.  定义适应度函数f（f>0）；
5.  计算P(t)中每个染色体的适应值；
6.  t=t+1；
7.  运用选择算子，从P(t-1)中得到P(t)；
8.  对P(t)中的每个染色体，按概率Pc参与交叉；
9.  对染色体中的基因，以概率Pm参与变异运算；
10. 判断群体性能是否满足预先设定的终止标准，若不满足则返回(5)。

## 伪代码 ##

/* * Pc：交叉发生的概率 * Pm：变异发生的概率 * M：种群规模 * G：终止进化的代数 * Tf：进化产生的任何一个个体的适应度函数超过Tf，则可以终止进化过程 */
    初始化Pm，Pc，M，G，Tf等参数。随机产生第一代种群Pop
    
    do
    {  
    　　计算种群Pop中每一个体的适应度F(i)。
    　　初始化空种群newPop
    　　do
    　　{ 
    　　　　根据适应度以比例选择算法从种群Pop中选出2个个体
    　　　　if ( random ( 0 , 1 ) < Pc )
    　　　　{ 
    　　　　　　对2个个体按交叉概率Pc执行交叉操作
    　　　　}
    　　　　if ( random ( 0 , 1 ) < Pm )
    　　　　{ 
    　　　　　　对2个*个体按变异概率Pm执行变异操作
    　　　　}
    将2个新个体加入种群newPop中
    } until ( M个子代被创建 )
    用newPop取代Pop
    } until ( 任何染色体得分超过Tf， 或繁殖代数超过G )

# 四. 基本遗传算法优化 #

下面的方法可优化遗传算法的性能。

1.  **精英主义(Elitist Strategy)选择**：是基本遗传算法的一种优化。为了防止进化过程中产生的最优解被交叉和变异所破坏，可以将每一代中的最优解原封不动的复制到下一代中。
2.  **插入操作**：可在3个基本操作的基础上增加一个插入操作。插入操作将染色体中的某个随机的片段移位到另一个随机的位置。

# 参考： #

1.  [http://www.cnblogs.com/heaad/archive/2010/12/23/1914725.html][http_www.cnblogs.com_heaad_archive_2010_12_23_1914725.html]

[https_blog.csdn.net_See_Star_article_details_102595697_159]: https://blog.csdn.net/See_Star/article/details/102595697#__159
[http_www.cnblogs.com_heaad_archive_2010_12_23_1914725.html]: http://www.cnblogs.com/heaad/archive/2010/12/23/1914725.html