遗传算法基础介绍

遗传算法基础介绍
概述
遗传算法是一种大致基于模拟进化的学习方法,假设通常被描述为二进制位串，也可以是符号表达式或计算机程序,搜索合适的假设从若干初始假设的群体或集合开始,当前群体的成员通过模拟生物进化的方式来产生下一代群体，比如随机变异和交叉,每一步，根据给定的适应度评估当前群体中的假设，而后使用概率方法选出适应度最高的假设作为产生下一代的种子,遗传算法已被成功用于多种学习任务和最优化问题中，比如学习机器人控制的规则集和优化人工神经网络的拓扑结构和学习参数,本章主要介绍了基于位串描述假设的遗传算法和基于计算机程序描述假设的遗传编程.

动机
1、遗传算法（GA）是一种受生物进化启发的学习方法，它不再是从一般到特殊或从简单到复杂地搜索假设，而是通过变异和重组当前已知的最好假设来生成后续的假设，每一步，更新被称为当前群体的一组假设，方法是使用当前适应度最高的假设的后代替代群体的某个部分，这个过程形成了假设的生成测试的柱状搜索，其中若干个最佳当前假设的变体最有可能在下一步被考虑。
2、遗传算法的普及和发展得益于下面的因素：在生物系统中，进化被认为是一种成功的自适应方法，具有很好的健壮性，遗传算法搜索的假设空间中，假设的各个部分相互作用，每一部分对总的假设适应度的影响难以建模
遗传算法易于并行化，本章内容安排描述了遗传算法，举例演示了它的用法，分析了它搜索的空间的特性描述了遗传算法的一个变体：遗传编程，这个方法中，整个计算机程序向着某个适应度准则进化，介绍了一些有关生物进化的课题（遗传算法和遗传编程是进化计算领域中的两种普遍方法），比如鲍德温效应，它描述了个体的学习能力与整个群体进化速度之间的相互作用。
遗传算法研究的问题是搜索候选假设空间并确定最佳假设最