对遗传算法(GA)的一些理解

目录

1、遗传算法的原理

2、遗传算法的主要流程

3、对遗传算法中的选择、编码、交叉及变异的理解

---

1、遗传算法的原理

基因以染色体为载体在种群间得以传播，而基因在相当程度上决定了个体的表现型(性状)，这个传播过程常常伴随着染色体交叉以及基因突变，从而产生新的性状(新的种群)，自然生存法则通过对各种性状的筛选最终适合生存(一般对应着最优条件)的个体得以保存。这样一代一代周而复始地繁衍筛选，最终会得到最适合生存的种群(最优解)。

以上为自然选择学说的主要思想，当然也是遗传算法的主要依据。遗传算法是一种优化算法，用以寻找问题的最优解，同样的，遗传算法的关键词也是：交叉、变异(突变)、新的性状(新的种群)、周而复始(迭代)、最优解。

2、遗传算法的主要流程

1. 找定要优化的目标函数、确定用以评判解的优越性的自然选择法则
2. 初始化一定数目的种群
3. 将种群带进自然选择法则，按照一定的筛选原则筛选一定比例的最优个体，并对这些个体的染色体进行编码。
4. 对筛选出来的个体(父代)的染色体进行交叉，产生新的个体(子代)，然后对子代染色体进行一定概率的变异。最后将父代子代进行合并形成新的种群。
5. 重复步骤3~4，直到达到最大迭代次数或最优解不在变化。

稍微加点解释就是下面的样子：

1. 找定要优化的目标函数、确定用以评判解的优越性的自然选择法则，即适应度函数（一般就是目标函数本身）；
2. 初始化一定数目的种群(自变量)
3. 将种群带进自然选择法则(适应度函数)，根据得出的评判值按照一定的筛选原则(一般选用轮盘赌算法筛选)筛选一定比例(比如50%)的最优个体(最优解)，并对这些个体的染色体(自变量值)进行编码 (编码的方法有很多种，一般采用二进制编码)。
4. 对筛选出来的个体(父代)染色体进行交叉，产生新的个体(子代)，对子代的染色体(编码)按一定概率进行变异。并将父代子代进行合并形成新的种群。
5. 重复步骤3~4，直到达到最大迭代次数或最优解不再变化。

3、对遗传算法中的选择、编码、交叉及变异的理解

选择：

选择运算,把当前群体中适应度较高的个体按某种规则或模型(对应算法中的适应度函数)遗传到下一代群体中。一般使用轮盘赌算法。

编码：

对自变量(对应着种群的染色体，由于染色体决定了种群的性状，因此这里可以视的种群和种群的染色体为同一概念)进行编码。

比如要确定函数y=xsin(x)在区间[-1,3]上的最大值，我们可以对取值x进行编码，如果采用二进制编码，则编码位数对精度有着直接的影响。比如我们采用8位二进制进行编码，则编码精度就是4/256，如果取x=2，则其对应的二进制编码为：0111 1111，反过来，编码为0111 1111的个体就代表自变量为2，这就是反编码。

交叉：

在生物学中，交叉就是染色体基因片段的交叉互换。同样的，在这里对应着一对自变量编码片段的交叉互换，当然是否发生交叉也是有一定的概率的。还以上述优化函数为例，现有两个自变量x1=2，x2=1，对应的编码分别为：0111 1111、0001 1111，若对其第5、6位(一般是父代随机配对，并随机产生交叉位置)进行交叉互换，则得到的新个体的编码为：0101 1111、0011 1111。

交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。

变异：

类比对交叉的操作，只是在这里变异是针对父代交叉后的子代编码进行变异。变异对于二进制编码来说就是将相应位的编码取反，这里就直接举个例子，还是以上述优化y=xsin(x)为例，由父代交叉产生的x4的编码为0011 1111，对其第3位(一般是随机产生的变异点)进行变异，则得出的新的个体为0011 1011。

变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。

在自然界中，总的来说，变异产生的基因大多是不好的有害的，同样的在遗传算法中要把子代变异的概率设置的低一点，交叉的概率稍微高一点，这也是为什么交叉是产生子代个体的主要途径的原因。