现代启发式算法（一）——遗传算法

/**仅记录自己的学习历程**/

一、概述

在阅读本文之前，可以先阅读这两篇文章（文章1，文章2），不需要理解理论部分，概览全文，着重看一下原文举的例子，有助于理解遗传算法的实现原理。

前面的理论部分看不懂没有关系，后面有很详细的实例说明，把例子看懂并自己动手敲个代码（源码我会上传，但一定要自己亲自去实现一下，这样才能对遗传算法的每一步以及参数的意义有深刻的认识），再回过头来看遗传算法的理论部分，相信遗传算法你就入门了。

 

标准遗传算法的步骤如下：

（1）构造满足约束条件的染色体。由于遗传算法不能直接处理解空间中的解,所以必须通过编码将解表示成适当的染色体。实际问题的染色体有多种编码方式,染色体编码方式的选取应尽可能的符合问题约束,否则将影响计算效率。

（2）随机产生初始群体。初始群体是搜索开始的一组染色体,其数量应适当选择。

（3）计算每个染色体的适应度。适应度是反应染色体优劣的唯一指标,遗传算法就是要寻求适应度最大的染色体。

（4）使用复制、交叉和变异算子产生子群体。这三个算子是遗传算法的基本算子,其中复制体现了优胜劣汰的自然规律,交叉体现了有性繁殖的思想,变异体现了进化过程中基因突变。

（5）重复步骤,直到满足终止条件为止。

   

从生物学角度简单来说，每一个染色体就代表一个个体，N个个体形成一个种群，计算每一个个体的适应度大小，从种群中挑选适应度大的个体，进行遗传、交叉、变异操作生成下一代种群。

从数学角度出发，上面的话翻译下来的意思就是说对某个待解决的问题先生成N个初始解，形成一个解集。计算每一个解的好坏，留下好的解，对留下的解进行一番倒腾，再生成一组解，不断循环，最后解集中的解趋近于理想值。

   

遗传算法是一种复杂度为O(1)的并行全局搜索算法。

与传统方法相比,遗传算法的优越性主要表现在首先,在遗传算子的作用下,遗传算法具有很强的搜索能力,能以很大的概率找到问题的全局最优解其次,由于它固有的并行性,能有效处理大规模的优化问题。

  

二、求解TSP问题

前面理论和优点说了一大堆，遗传算法到底该怎么用呢？下面通过解决TSP问题，我们来看看如何将问题转化，进而使用遗传算法求解（掌握思想最重要，用什么语言无所谓，我这里使用Matlab，不用担心不会Matlab，我会很详细的解释每一行