【遗传算法】遗传算法入门示例

最新推荐文章于 2024-06-10 20:39:35 发布
最新推荐文章于 2024-06-10 20:39:35 发布
阅读量1w 收藏 44
点赞数 5
分类专栏： ☆算法 文章标签： 遗传算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/heni6560/article/details/81222591
版权

问题：求二元函数的最大值

f(x)=x^2,x\in[0,31]

遗传算法实现步骤：

1.编码

编码方法包括：二进制编码法、浮点编码法、符号编码法

这里使用二进制编码。由于变量的最大值31，固采用5个位即可表达全部的值

x=6   00110

2.产生初始群体

01101     11000    01000  10011

3.评价个体的适应度--适应度函数

这里采用与适应度成正比的概率作为适应度

p=fi/\sum fi

4.选择运算

第0代
序号群体适应值选择概率期望次数

选中次数 

选择结果
1011011690.14440.58101101
2110005760.49231.97211000
301000640.05470.22011000
4100113610.30851.23110011

适应值 为 f（群体反编码值）    如f（13）=169
选择概率：p=fi/\sum fi       如p=169/(169+576+64+361)=0.1444

期望次数：采用确定性算法，对于规模为N的群体，一个选择概率为p的染色体被选择的期望次数e。公式：e=p*N，取\left \lfloor e \right \rfloor

选择结果：

常用的选择算子：

  1. 轮盘赌选择（Roulette Wheel Selection）：是一种回放式随机采样方法。每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比例。选择误差较大。

  2. 随机竞争选择（Stochastic Tournament）：每次按轮盘赌选择一对个体，然后让这两个个体进行竞争，适应度高的被选中，如此反复，直到选满为止。

  3. 最佳保留选择：首先按轮盘赌选择方法执行遗传算法的选择操作，然后将当前群体中适应度最高的个体结构完整地复制到下一代群体中。

  4. 无回放随机选择（也叫期望值选择Excepted Value Selection）：根据每个个体在下一代群体中的生存期望来进行随机选择运算。方法如下:

    （1） 计算群体中每个个体在下一代群体中的生存期望数目N。

    （2） 若某一个体被选中参与交叉运算，则它在下一代中的生存期望数目减去0.5，若某一个体未 被选中参与交叉运算，则它在下一代中的生存期望数目减去1.0。

    （3） 随着选择过程的进行，若某一个体的生存期望数目小于0时，则该个体就不再有机会被选中。

  5. 确定式选择：按照一种确定的方式来进行选择操作。具体操作过程如下：

    （1） 计算群体中各个个体在下一代群体中的期望生存数目N。

    （2） 用N的整数部分确定各个对应个体在下一代群体中的生存数目。

    （3） 用N的小数部分对个体进行降序排列，顺序取前M个个体加入到下一代群体中。至此可完全确定出下一代群体中Ｍ个个体。

  6. 无回放余数随机选择：可确保适应度比平均适应度大的一些个体能够被遗传到下一代群体中，因而选择误差比较小。

  7. 均匀排序：对群体中的所有个体按期适应度大小进行排序，基于这个排序来分配各个个体被选中的概率。

  8. 最佳保存策略：当前群体中适应度最高的个体不参与交叉运算和变异运算，而是用它来代替掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。

  9. 随机联赛选择：每次选取几个个体中适应度最高的一个个体遗传到下一代群体中。

  10. 排挤选择：新生成的子代将代替或排挤相似的旧父代个体，提高群体的多样性。

转载来自：作者：短短的路走走停停被抢注啦
                    链接：https://www.jianshu.com/p/ae5157c26af9

5.配对进行交配，其中交配位是随机选择的rand（5）：位的话是从左边往右边数。

交配规则：

编号群体交配对象交配位第1代适应值
1011012401100144
2110001411001625
3110004211011729
4100113210000256

6.得到第一代

第1代
序号群体适应值选择概率期望次数

选中次数 

选择结果
1011001440.08210.3284011001
2110016250.35631.4252111011
3110117290.41561.6624211011
4100002560.14600.5840110000

不停地选择、配对（交叉）、变异。

变异：

异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。本例中，我们采用基本位变异的方法来进行变异运算，其具体操作过程是：
     • 首先确定出各个个体的基因变异位置；
     • 然后依照某一概率将变异点的原有基因值取反。

洛阳纸贵
关注
  • 5
    点赞
  • 踩
  • 44
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
遗传算法(Python) #2 基本运算方法详解
youyanyu3817的博客
05-20 3527
1.遗传算法主要流程 用遗传算法来解决最优化问题的解的基本如下流程如下： 流程简介： 定义种群与个体：遗传算法中每个个体即为问题的解，一般个体按照一定方法随机生成。 定义个体与种群的适应度函数：个体的适应度函数可以用于选择个体，而种群的适应度函数可以用来追踪算法的进度。 循环选择、杂交、突变与适应度计算：这一系列操作可以生成下一代的个体 选择：一般而言以更大的概率选择适应度更高的个体 杂交：交换不同个体之间的基因 突变：随机在个体的基因中产生突变 计算该世代的适应度：每个世.
x是0-31间的整数，用遗传算法求f(x)=x平方的最大值.zip
05-29
x是0-31间的整数，用遗传算法求f(x)=x平方的最大值
14 遗传算法参考程序,遗传算法详解,matlab
09-11
这种类似差分进化算法，可和神经网络结合，对权值和阈值进行优化
使用遗传算法求二元函数的最小值
01-20
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体（个体）有多少基因 PRECI=20; %变量的二进制位数(Precision of variables) MAXGEN=200; %最大遗传代数(Maximum number of generations) GGAP=0.8; %代沟(Generation gap)，以一定概率选择父代遗传到下一代 trace=zeros(MAXGEN,2); %寻优结果的初始值 Chrom=crtbp(NIND,PRECI*NV
遗传算法笔记：基本工作流程
最新发布
qq_40206371的博客
06-10 740
使用生成的新一代重复这个过程，就可以以获得X1、X2、X3、X4和X5的最佳解。——>这就是第二代染色体了。
遗传算法（模型）
weixin_45476753的博客
07-27 4912
https://www.jianshu.com/p/ae5157c26af9 https://zhuanlan.zhihu.com/p/33042667
遗传算法
dddduaua的博客
10-03 2833
遗传算法 智能算法简介 智能算法是智能技术领域的一个分支。智能算法出现的原因是，人们在知识新陈代谢速度快和知识繁杂的社会里，需要用高效的数据挖掘工具从各类数据中提取有用的信息和知识，以便于提高生产效率降低生产成本。以前这些工作都是人来操作的，但后来出现了一些模仿人脑力劳动的的算法出现减少了人类的工作量，这些算法被称为智能算法，智能算法都有一个显著的特征——机械性。常用的智能算法有遗传算法、粒子群算...
用遗传算法求解二元函数最大值
qq_38684229的博客
06-23 1万+
为了更好的理解遗传算法的运算过程，下面用手工的计算间的模拟遗传算法的各个主要的执行步骤： 例、求下述二元函数的最大值： max f(x1,x2) = x1^2+x2^2; （1）个体编码：遗传算法的运算对象是表示个体的符号串，所以必须把变量x1，x2编码位一种符号串。本题中，用无符号二进制整数来表示。 　　因x1，x2为0-7之间的正数，所以分别用3位无符号二进制整数来表示，将他们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。 例如：基因型X = 101110所对...
非常好的理解遗传算法的例子
热门推荐
我的程序世界
10-16 41万+
遗传算法的手工模拟计算示例为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各    个主要执行步骤。       例：求下述二元函数的最大值：    (1) 个体编码           遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种       符号串。本题中，用无符号二进制整数来表示。           因 x1, x2
遗传算法综述与遗传算法学习入门.rar_遗传_遗传算法
07-15
2. 编程实践：掌握至少一种编程语言，如Python，实现简单的遗传算法示例。 3. 深入研究：学习各种选择、交叉和突变策略，以及适应度函数的设计原则。 4. 实战应用：参与实际项目，将遗传算法应用于具体问题中，不断...
遗传算法求函数最值(C语言实现)
05-20
该程序实现了用遗传算法求y=x*sin(10*PI*x)+2.0的最大值，若需求其他函数最值，稍作修改即可。
遗传算法求解复杂函数的最大值
10-20
该算法有助于初学者深入理解遗传算法，运用遗传算法求解最大值问题，求解TSP问题中的最短路径，问题中的求解的函数会在下一个帖子发布，如有问题可以询问QQ1846403892
遗传算法求二元一次函（包括一元一次）数最大值
07-07
遗传算法求二元一次函（包括一元一次）数最大值。里面有两个单独的例程，其中一个是二元一次函数的，另一个则是一元一次函数的，是和初步入门需要完成作业的小伙伴！
遗传算法用于求解函数极值的matlab入门级代码
02-25
在这个入门级的代码示例中，我们将深入探讨如何利用MATLAB实现遗传算法来求解函数的极值。 首先，遗传算法的基本思想源自自然选择和遗传原理，包括选择（Selection）、交叉（Crossover）和变异（Mutation）等步骤。...
遗传算法入门到掌握,遗传算法入门到掌握(一),matlab
09-10
通过阅读《遗传算法入门到掌握》这份资料，你将能够系统地理解遗传算法的原理，掌握MATLAB中的实现方法，并具备解决实际问题的能力。书中不仅有详细的理论解释，还有配套的代码示例，是学习遗传算法的理想资源。记得...
遗传算法及实例
Zhoudaxia2000的博客
03-07 3311
遗传算法是模拟生物在自然环境中的遗传和进化的过程而形成的自适应全局优化搜索算法
遗传算法的理解及例子解释
zr1213159840的博客
07-31 3952
什么是遗传算法？ 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法 遗传算法的基本原理 遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中（什么是优化参数形成的编码串联群体后面解释），按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，是适应度高的个体被保留下来，组成新的群体。新的群体既继承了上一代的信息，又优于上一代，这样周而复始，群体的适应度不断提高，直到满足一定的条件。 遗传算法接地那，可并行处理，并能得到全局最优解 遗传算
遗传算法入门python
07-27
遗传算法是一种模拟自然选择和遗传机制的优化算法。在Python中，你可以使用遗传算法来解决优化问题。以下是一个入门级的遗传算法示例： 首先，你需要导入所需的库： ```python import random ``` 接下来，定义问题的适应度函数。适应度函数用于评估每个个体的优劣程度，它需要根据具体问题进行定义。 ```python def fitness_function(individual): # 计算个体的适应度 # 返回适应度值 pass ``` 然后，定义遗传算法的主要功能。这包括初始化种群、选择、交叉、变异等操作。 ```python def genetic_algorithm(population_size, chromosome_length, generations): # 初始化种群 population = [] for _ in range(population_size): individual = [random.randint(0, 1) for _ in range(chromosome_length)] population.append(individual) # 进行进化迭代 for _ in range(generations): # 评估种群中每个个体的适应度 fitness_values = [fitness_function(individual) for individual in population] # 选择操作 # 根据适应度值选择个体进行繁殖 # 交叉操作 # 对选中的个体进行交叉操作产生新的个体 # 变异操作 # 对新个体进行变异操作 # 返回最优解 best_individual = population[0] # 这里假设第一个个体是最优解 return best_individual ``` 最后，你可以调用遗传算法函数并获取最优解： ```python population_size = 100 # 种群大小 chromosome_length = 10 # 染色体长度 generations = 50 # 迭代次数 best_solution = genetic_algorithm(population_size, chromosome_length, generations) print("最优解:", best_solution) ``` 以上是一个简单的遗传算法的入门示例，你可以根据具体问题进行适应度函数的定义和进化操作的实现。希望对你有所帮助！

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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