遗传算法的概念、算法描述及理论基础

1 遗传算法概述

1.1 遗传算法的基本概念

遗传算法是模拟生物界的遗传和进化过程而建立起来的一种高度并行的全局性概率搜索算法,体现着“优胜劣汰、适者生存”的竞争机制。由于遗传算法是由进化论和遗传学机理产生的直接搜索优化方法,所以在这个算法中要用到各种进化和遗传学的概念。这些概念介绍如下:

1.编码(Coding):DNA中遗传信息在一个长链上按一定的模式排列,这一操作就是遗传编码。遗传编码可以看作从表现型到遗传型的映射。

2.染色体(Chromosome):遗传物质的主要载体,由多个遗传因子——基因组成。

3.个体(Individual):指染色体带有特征的实体,遗传算法所处理的基本结构。

    4.种群(Population):每代所产生的染色体总数称为种群,一个种群包含了该问题在这一代的一些解的集合。

    5.种群大小(Population Size):在种群中个体的数量称为种群的大小。

    6.基因(Gene):基因是染色体中的元素,基因用于表示个体的特征。

    7.基因位置(Gene Position):一个基因在染色体中的位置称为基因位置。

    8.基因特征值(Gene Feature):在用染色体表示整数时,基因的特征值与二进制数的权一致。

    9.适应度(Fitness):表示某一个体对于环境的适应程度,或者在环境压力下的生存能力。

1.2 遗传算法的基本思想

遗传算法是一种宏观意义下的仿生算法,它的机制是模仿一切生命与智慧的产生与进化过程。通过模拟达尔文的“优胜劣汰,适者生存”原理,激励好的结构,通过模拟孟德尔遗传变异理论在迭代过程中保持已有的结构,同时寻找更好的结构。因此,遗传算法具有如下显著特点:

1.

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值