遗传算法（GA）概述

最新推荐文章于 2024-09-12 22:22:14 发布

is Tester.

最新推荐文章于 2024-09-12 22:22:14 发布

阅读量5.4k

点赞数 4

分类专栏：优化算法文章标签：算法

本文链接：https://blog.csdn.net/arong1417/article/details/119574365

版权

遗传算法（Genetic Algorithm）是一种基于生物进化原理的智能优化算法，通过模拟自然选择和遗传过程来寻找复杂问题的最优解。算法包括初始种群生成、适应度函数确定、遗传算子（选择、交叉、变异）应用等步骤，适用于函数优化、路径规划等多领域问题。其优点包括群体搜索、启发式搜索和广泛适用性，但存在早熟收敛、计算复杂度高等缺点。

摘要由CSDN通过智能技术生成

注释：是学习之余整理的资料，如有不足的地方还请指教，十分感谢！

遗传算法概述

遗传算法（Genetic Algorithm）是一种进化算法，原理是仿效生物界的“物竞天择，适者生存”的演化法则。最早由美国Michigan大学的J.Holland教授1967年提出。遗传算法主要特点就是概率化的寻优方法，可自动获取和指导优化。简单遗传算法（Simple Genetic Algorithms，GA)又称简单遗传算法或标准遗传算法），是一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。

搜索机制：遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。遗传算法的原理：

1、遗传算法的基本思想

遗传算法是受生物进化过程中“优胜劣汰”的自然选择机制和遗传信息传递规律的启发，所提出的一种智能优化算法。通过程序迭代模拟自然界生物进化的过程，把要解决的问题看作环境，在一些可能的解组成的种群中，通过不断进化寻求最优解。遗传算法通过初始化种群、复制操作、交叉操作、变异操作几个步骤，模拟自然界生物进化过程中的繁殖行为与竞争行为，衍生出下一代的个体，再根据适应度的大小进行个体的优胜劣汰，提高新一代群体的质量，在经过反复多次迭代，逐步逼近复杂工程技术问题的最优解。

遗传算法的搜索策略不是盲目搜索，也不是穷举搜索，而是以目标函数为指导的搜索方式。遗传算法一般采用天然的并行结构，且借助交叉和变异产生新个体，不断产生新个体，扩大搜索范围，因此它不易于陷入局部最优点，并能以较大的概率找到全局最优点。

2、遗传算法的步骤

（1）初始种群的产生（编码）

首先要初始种群，也就是进化的第一代，种群规模要根据问题的规模而定。初始种群的选择会影响算法的收敛速度和结果，多样性较好的种群有利于算法的全局搜索。初始化种群的方式一般为随机产生，产生了初始种群后要进行编码，也可以直接在产生种群的时候就是用编码的方式产生的。基因的编码方式有很多，这也取决于要解决的问题本身。

常见的编码方式有：

1、二进制编码

基因用0或1表示（常用于解决01背包问题）。

如：基因A：00100011010 (代表一个个体的染色体)

优点：编码、解码操作简单易行；交叉、变异操作便于实现；符合最小字符集编码原则；便于利用模式定理对算法进行理论分析。

缺点：存在着连续函数离散化时的映射误差。不能直接反映出所求问题的本身结构特征，不便于开发针对问题的专门知识的遗传运算算子，很难满足积木块编码原则。

2、格雷码编码

连续的两个整数所对应的编码之间仅仅只有一个码位是不同的，其余码位都相同。

3、实数(浮点数)编码

个体的每个基因值用某一范围内的某个浮点数来表示，个体的编码长度等于其决策变量的位数。

4、符号编码

5、互换编码