分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!
经典算法研究系列:七、深入浅出遗传算法
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
end for
for i = 1 to M do
P(t+1) = P(t); //得到下一代群体P(t + 1)
end