一、遗传算法简介
遗传算法(Genetic Algorithms)是目前适用比较广泛的随机搜索和优化算法,也是众所周知的进化计算方法。Michalewicz认为遗产算法包含五个基本的组成部分:
1.问题的解的遗传表示
2.创建解的初始种群的方法
3.根据个体适应值对其进行优劣判定的评价函数
4.用来改变复制过程中产生的子个体遗传组成的遗传算子
5.遗传算法的参数值遗传算法的一般结构
1.遗传表示和初始化 遗传算法维持一群个体 vk(t),k=1,2,…, 组成的种群(P(t)),t表示遗传代数。每一个个体均代表问题的一个潜在的解。
2.评价 每一个个体均会被评价并通过一些评价方法给出它们的适应值 eval(vk)
3.遗传算子 某些个体会通过遗传算子进行随机的变换操作去产生新的个体,例如,子代。变换操作主要包括两种: 杂交(crossover):通过重新组合两个的个体的某些部分产生新的个体 变异(mutation):通过改变单个个体的某些部分产生新的个体
这些新的个体就被称作子代C(t),然后这些子代继续被评价
4.选择 从父代和子代中选择适应性较好的个体从而形成一个新的种群。
5.最优解 在经历若干代之后,算法收敛到一个最优个体,该个体很有可能代表着问题的最优或次优解。
二、示例
问题描述
下面我们通过一个求解简单的无约束优化问题的示例来介绍遗传算法究竟是如何工作的。
max