初识遗传算法

一、遗传算法基本问题

遗传算法有3个最基本的操作：选择，交叉，变异。

抽象：每个问题的元素必须要被抽象成向量（染色体）才能被解决，而且这个向量的所有子集合中尽量没有无效元素（有也要在算法中取出）。

例如：    1、我们可以发现x1和x2的取值都是1~7，可以用三位二进制数表示，所以我们使用六位二进制标识x1和x2的一种组合

2、0-1背包问题，可以把背包标号，如果取这个背包那么向量对应的位置就是1，否则就是0

    3、TSP问题，二进制向量的每n位都对应着一个城市的标号，那么染色体可以体现城市经过的顺序

   

选择：选择一些染色体来产生下一代。

（1）排序选择方法（源代码中使用类似此方法）

排序选择方法是指在计算每一个个体的适应度（源代码中将路径总长度当适应度）之后，根据适应度大小对个体排序，然后按照事先设置好的概率表按序分配给个体，作为个自的选择概率。

（2）适应度比例方法

适应度比例方法是目前遗传算法中最基本也是最常用的选择方法，即各个个体的选择概率和其适应度值成正比。

（3）最佳个体保留方法

即把群体中适应度最高的个体不进行交叉而直接复制到下一代。

一种常用的选择策略是 “比例选择”，也就是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + …….. + f(Xn) ) 。比例选择实现算法就是所谓的“轮盘赌算法”( Roulette Wheel Selection ) ，轮盘赌算法的一个简单的实现如下：

 

轮盘赌算法（比例选择算法，每个个体被选中的概率和他的适应度成正比）

/*
* 按设定的概率，随机选中一个个体
* P[i]表示第i个个体被选中的概率
*/
int RWS()
{
m =0;
r =Random(0,1); //r为0至1的随机数
for(i=