遗传算法基本思想 1、首先实现从性状到基因的映射,即编码工作,然后从代表问题可能潜在解集的一个种群开始进行进化求解; 2、初代种群(编码集合)产生后,按照优胜劣汰的原则,根据个体适应度大小挑选(选择)个; 3、进行复制、交叉、变异,产生出代表新的解集的群体,再对其进行挑选以及一系列遗传操作,如此往复,逐代演化产生出越来越好的近似解。 遗传算法与经典算法的区别 1、两者的区别 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算,但遗传算法不是直接以决策变量的值,而是以决策变量的某种形式的编码为运算对象,从而可以很方便地引入和应用遗传操作算子。(编码) 遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值,还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数,遗传算法就比较方便。(对函数要求低) 遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索,这样容易陷入 |