遗传算法的交叉变异操作杂记

100个个体,交叉概率为0.1,并不代表交叉个体数为10个.这是一个概率问题.
另外,交叉概率一般会取0.5-1这个范围内,0.1未免有点小.
自适应的遗传算法,一般在迭代初期会有较大的交叉概率,越往迭代后期,交叉概率越小.
而变异概率则相反.
标准的交叉如下： 假设六个个体的编号为从1至6，两两配对共分为3对母代个体。 第1对母代个体：随机生成一个随机数r，如果r<=0.6，则进行交叉。交叉点仍然是随机产生的。如果是单点交叉就随机产生一个点，如果是两点交叉就随机产生两个点，其他还有均匀交叉、融合交叉等。如果r>0.6，则不进行交叉，子代个体用母代个体代替。 然后继续判断第2对母代个体，照此方法依次进行。 一轮下来，进行交叉的个体数量大致是6*0.6=3.6个。但绝对不会是小数或奇数。

遗传算法中的交叉变异概率在编子函数时，应该是rand(1)产生的随机数小于交叉率Pc,或交叉率Pm才能进行交叉变异操作。
因为遗传算法中，交叉变异操作是以一定的交叉率Pc和一定的变异率Pm执行的。所以首先选择参与交叉或变异操作的个体进入到交配池，选择过程是随机选择的，即满足rand(1) <Pc或rand(1) <Pm才被选择

交叉概率太大的话,就失去意义了,就变成随机算法了；太小的话,收敛太慢.通常的做法是采用自适应的方法.
固定交叉概率：0.9-0.97之间取；

GA中的变异操作举例

# mutate

import numpy as np

MUTATION_RATE =0.003

child = [1,0,1,1,0,0,1,0,0,0]

for point in range(10):

        if np.random.rand() < MUTATION_RATE:

                   if child[point]==0:# 也可写为 child[point] = 1 if child[point]==0 else 0

                           child[point] =1

                   else:

                            child[point] =0

print(child)

输出：

[1, 1, 1, 1, 0, 0, 1, 0, 0, 0]
转载链接：https://www.jianshu.com/p/66d37bc02de3

求解过程中需要评价的目标函数和约束条件，而不需要其他更复杂信息。遗传算法具有随机性特点，使其能避免陷入局部最优的优势。遗传算法第一步是产生一组可行的解，将其作为初始种群。算法收敛速度、算法的性能受初始种群影响极大，因此初始种群确定尤为重要。
定义1：随机产生一个个体，若该个体满足约束条件，则该个体称为可行个体，若该个体不满足所有约束条件，则该个体为非可行个体；
定义2：最初可行个体的全体称为初始种群，初始种群中个体的数量称为种群规模；