启发式搜索算法3 -遗传算法

相关文章:
启发式搜索算法1 – 最佳优先搜索算法
启发式搜索算法2 – A*算法

人类是非常聪明，在面对复杂问题的时候都懂得寻找事物规律，适当简化问题，最终找到方法解决问题。比如在使用牛顿三大力学定律的时候，前提条件是忽略了摩擦力，物体间的引力等。就算后面出现了相对论，量子力学，更加严谨地解释了这个世界的运行规律，但这些古老力学定律还是有它们的用武之地。在算法上也体现这样的行为方式，如分治算法和动态规划都是把问题拆解和简化，再逐一解决。但有时候过于简化问题，得到的结果就离实际情况越远，毕竟忽略了很多现实中的问题。在面对复杂问题时候，提出了遗传算法，学习大自然的生物进化模式，来解决问题。

遗传算法（genetic algorithm）

是用于解决最优化的搜索算法，是进化算法的一种。遗传算法基于自然选择和遗传学的思想。这是随机搜索的智能化优化，可将搜索引导到解决方案空间中性能更好的区间。其优点是原理和操作简单、通用性强、不受限制条件的约束，全局解搜索能力，而且天生具有并行性，代码很容易放到集群上进行分布式并行处理，它们通常用于优化问题和搜索问题，提供比较有效的解决方案。

遗传算法就是模拟自然选择的过程，物竞天择，适者生存，只有适应环境的种群才能繁殖并进入下一代。简而言之，他们在连续几代人中模拟“适者生存”，以解决问题。每一代都由一群人组成，每个人代表搜索空间和可能解决方案中的一个点。在程序中可以用字符串，整数，浮点数或者位来表示每一个人，类似于染色体都是独一无二的解。下面来认识遗传算法的几个相关概念和解题思路。
遗传算法的基本思路是模拟种群染色体的遗传结构和行为，大家想一想动物是怎样择偶的。

• （1）个体在有限的资源里面争取资源和交配权力。
• （2）那些最强壮的个体（适应者）就有更多交配权，产生更多的后代。我们知道在猩猩，狮子，狼等群居动物，一般只有一只雄性拥有交配权，它也是通过打败其他雄性对手才能做到这个领地的王者。
• （3）优秀父母的基因会传播给他们下一代，下一代很有可能超越父母成为更好的后代。 （4）通过这样的方式每一代都会更适合这个生活环境。

染色体怎样表示呢？它和问题的解有什么关系？

每个个体是搜索空间中的一个解，它们会被编码，编码的长度取决于问题的可变成分，因此一条染色体（个体）由几个基因组成，如图所示。

如何判断哪些是适应者？

此时需要构建一个适应能力评分函数，计算每一个个体的适用能力，从中挑选最佳适应者。遗传算法可维护n个个体（染色体或问题的一个解）的种群及其适应能力评分，适应能力评分较高的个体比其他个体具有更多的繁殖机会。这些个体通过结合父母的染色体而交配并产生更好的后代。个体数量总是不变的，因此必须为新生命开辟空间。当上一代的所有交配机会都用尽时，一些个体就会死亡并被新生命代替，最终创造了新一代。算法总是希望在新生代中找到更好的解决方案，同时使最不适合的个体死亡。

一般情况下，新一代都比前几代有更多好基因。因此每个新生代都有比前几代更好的“部分解决方案”。一旦产生的后代与前几代的适应能力没有显着差异，该种群便已经完全适应了这个环境，也可以说该算法已收敛到该问题的一组解决方案了。

怎样模拟种群的繁衍？两个个体基因怎样遗传给下一代？盘古开天，创建初生代后，然后算法将使用以下操作来模拟演化。

1.选择操作：挑选优秀适应者（适应能力评分高的个体），让他们将基因传递给后代。一般的遗传算法都有一个交配概率，范围一般是0.6~1，这个交配概率反映两个被选中的个体进行交配的概率。例如，交配概率为0.8，则80%的“夫妻”会生育后代。

2.交叉操作：模拟个体之间的交配，使用选择操作挑选两个个体，并随机选择交叉位置。然后交换这些交换位置的基因，从而创造出一个全新的个体（后代）。如下图所示，分别挑选两个个体不同部分，组合为一个新个体。

3.突变操作：模拟自然界中的基因突变，在后代中插入随机基因以保持种群的多样性。一般遗传算法都有一个固定的突变常数（又称为变异概率），通常是0.1或者更小，这代表变异发生的概率。根据这个概率，新个体的染色体随机的突变，通常就是改变染色体的一个字节，如图所示。

遗传算法看上去就像拥有生命的算法，多么神奇，那么它的实际效果如何呢？，什么问题适合使用呢？适应能力评估函数，交配概率，突变概率需要怎样设置？

请看下一篇：遗传算法实践：吊死鬼游戏