经典算法研究系列：七、深入浅出遗传算法，透析GA本质

经典算法研究系列：七、遗传算法初探

            ---深入浅出、透析GA本质

 

作者:July    二零一一年一月十二日。

本文参考：维基百科  华南理工大学电子讲义  互联网

-------------------------------------------------------------------------------

 

一、初探遗传算法

Ok，先看维基百科对遗传算法所给的解释：

遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

 

遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

 

光看定义，可能思路并不清晰，咱们来几个清晰的图解、步骤、公式：

基本遗传算法的框图：

 

 

所以，遗传算法基本步骤是：

1）  初始化   t←0进化代数计数器；T是最大进化代数；随机生成M个个体作为初始群体    P（t）；

2）  个体评价 计算P（t）中各个个体的适应度值；

3）  选择运算 将选择算子作用于群体；

4）  交叉运算 将交叉算子作用于群体；

5）  变异运算 将变异算子作用于群体，并通过以上运算得到下一代群体P（t + 1）;

6）  终止条件判断  t≦T：t← t+1 转到步骤2；

               t>T：终止 输出解。 

 

好的，看下遗传算法的伪代码实现：

▲Procedures  GA：   伪代码

begin

       initialize P(0);

       t = 0;             //t是进化的代数，一代、二代、三代...

       while(t <= T) do

              for i = 1 to M  do     //M是初始种群的个体数

                     Evaluate fitness of P(t);  //计算P（t）中各个个体的适应度

              end for

              for i = 1 to M  do

                     Select operation to P(t);  //将选择算子作用于群体

              end for

              for i = 1 to M/2  do

                     Crossover operation to P(t); //将交叉算子作用于群体

              end for

              for i = 1 to M  do

                     Mutation operation to P(t);  //将变异算子作用于群体