【人工智能】人工智能二——遗传算法的基本概念&遗传算法的基本算法（编码&群体设定&适应度函数&选择&交叉&变异&遗传算法步骤）&解决带约束的函数优化问题&多目标的遗传算法&遗传算法的改进算法

最新推荐文章于 2023-06-09 11:51:09 发布
最新推荐文章于 2023-06-09 11:51:09 发布
阅读量4k 收藏 51
点赞数 4
分类专栏： 人工智能 文章标签： 自然语言处理 数据挖掘 机器学习
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/liuyiming2019/article/details/109565982
版权

人工智能二——遗传算法的基本概念&遗传算法的基本算法（编码&群体设定&适应度函数&选择&交叉&变异&遗传算法步骤）&解决带约束的函数优化问题&多目标的遗传算法&遗传算法的改进算法

遗传算法的基本概念

在这里插入图片描述

遗传算法的产生与发展

通过选择、交叉、变异等操作机制使种群个体的适应性不断提高。

遗传问题求解过程

在这里插入图片描述

编码

在这里插入图片描述

形成初始群体(随机生成)

在这里插入图片描述
在这里插入图片描述

计算适应度

在这里插入图片描述
在这里插入图片描述

复制（将表中适应度小的完全替换为适应度大的）

在这里插入图片描述

交叉（让适应度高的个体进行杂交，替换掉染色体中的某些部位）

在这里插入图片描述
在这里插入图片描述

变异（会有事先给定的变异概率，随机改变字符串个体字符的某些部位）

在这里插入图片描述

终止

在这里插入图片描述

遗传算法的基本算法

编码

1、位串编码

(1)二进制编码

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

(2) G r a y Gray Gray编码（ i n t e r e s t i n g interesting interesting）

G r a y Gray Gray编码：将二进制编码通过一个变换进行转换得到的编码

在这里插入图片描述
在这里插入图片描述
G r a y Gray Gray编码的特点：任意两个连续的两个整数的编码值之间只有一个位是不同的，其他位都完全相同。克服了二进制编码的 H a m m i n g Hamming Hamming悬崖问题

2、实数编码

在这里插入图片描述

3、多参数级联编码

在这里插入图片描述

群体设定

初始种群产生

确定最优解范围

在这里插入图片描述

使初始群体个数达一定规模

在这里插入图片描述

种群规模的确定（过大过小都不好）

群体规模太小，遗传算法的优化性能不太好，易陷入局部最优解
群体规模太大，计算复杂
在这里插入图片描述

适应度函数

适应度函数的尺度变换

在这里插入图片描述
在这里插入图片描述

选择（复制）

个体选择概率分配方法

在这里插入图片描述

适应度比例法（蒙特卡罗法）

在这里插入图片描述

排序方法
线性排序

在这里插入图片描述

非线性排序

在这里插入图片描述

选择个体方法

轮盘赌选择（与适应度比例和随机数相结合）

在这里插入图片描述

锦标赛选择方法

在这里插入图片描述

最佳个体保存方法

在这里插入图片描述

交叉

一点交叉

在这里插入图片描述

两点交叉

在这里插入图片描述

变异

在这里插入图片描述

遗传算法步骤

  • 生成初始种群
  • 计算每个染色体适应值
  • 满足条件停止，否则构建新的种群
  • 以一定概率交叉产生新的染色体，得到一个新的种群
  • 以较小的概率使染色体发生变异，形成新的种群，重新计算适应度
    在这里插入图片描述
    在这里插入图片描述

解决带约束的函数优化问题

在这里插入图片描述

协同进化

在这里插入图片描述

评价函数的构建——罚函数法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

多目标的遗传算法

聚合函数法

在这里插入图片描述

向量评价遗传算法

在这里插入图片描述

遗传算法的改进算法

双倍体遗传算法

在这里插入图片描述
在这里插入图片描述

双种群遗传算法

在这里插入图片描述

自适应遗传算法

在这里插入图片描述

一拳Marx
关注
专栏目录
智能优化算法——遗传算法[1]
weixin_46039719的博客
01-13 1827
目录 1 引入 2 遗传算法 2.1 遗传算法的基本概念 2.2 遗传算法的特点 2.3 程序框图 3 Python代码实现 3.1 源代码实现 3.2 遗传算法包sko.GA 3.2.1 案例1 3.2.2 案例2 4 参考 1 引入 遗传算法(Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化搜索算法。它最早由美国的J.H.Holland教授提出,起源于20世纪60年代对自然和人工自适应系统的研究;7...
计算智能——遗传算法
XYYHHH11的博客
11-04 1579
遗传算法 1、起源与发展 起源（20世纪40年代）： 从生物学的角度进行生物的进化过程 模拟、遗传过程等研究工作。 产生（20世纪60年代）： 1962年，Fraser提出自然遗传算法。 1965年，Holland首次提出人工遗传操作的重要性。 1967年，Bagley首次提出遗传算法这一术语。 1970年，Cavicchio把遗传算法应用于模式识别中。 1971年，Hollstien在论文《计算...
人工智能学习（一）——使用JavaScript实现简单的遗传算法
wuxy720
12-27 7365
题记：这几天，一直在学习人工智能的进化算法，今天想通过一些简单的介绍，来介绍进化算法中的一种——遗传算法（GA）正文：首先呢，我们来简答介绍一下什么是进化算法：进化算法：进化算法(evolutionary algorithms，EA)是基于自然选择和自然遗传等生物进化机制的一种搜索算法。生物进化是通过繁殖、变异、竞争和选择实现的；而进化算法则主要通过选择、重组和变异这三种操作实现优化问题的求解。进化
人工智能-遗传算法
Macarons的博客
11-05 643
本篇文章根据教材《人工智能技术导论》（第三版 廉师友）习题编写 遗传算法注重随机性和概率性 在模拟选择，复制，交叉，变异过程中务必凸显随机 –辽宁大学 何勇 ...
人工智能_遗传算法
魏宇轩
12-24 1万+
遗传算法
遗传算法适应度函数
08-20
matlab平台 适应度函数的设计 作为寻优的依据
人工智能和遗传算法的结合（推荐必读）
12-17
人工智能和遗传算法的结合（推荐必读） 适合初学者 对人工智能和遗传算法有一定的基础知识亲测可用， 谢谢支持。
人工智能导论实验——基于遗传算法的随机优化搜索
weixin_47686861的博客
03-29 3489
基于遗传算法的随机优化搜索求解y=x^2在区间[0,31]上的最大值
计算智能——遗传算法的多维函数优化
weixin_43822880的博客
11-06 1万+
。
遗传算法的适应度函数构造
12-07
从基本遗传算法所遇到的一些问题，讲解遗传算法中适应度函数的作用，以及解决这些问题所需的适应度函数。 包括常见的适应度函数，适应度函数的尺度变换，以及一些适应度函数的改进算法。
AGA自适应加速遗传算法
02-11
AGA自适应加速遗传算法，适用于机器学习算法中AGA自适应加速遗传算法，适用于机器学习算法AGA自适应加速遗传算法，适用于机器学习算法
人工智能与信息社会——基于仿生算法的智能系统.pdf
02-27
《人工智能与信息社会——基于仿生算法的智能系统》这篇文档主要探讨了人工智能领域中仿生算法的应用，以及它们在信息社会中的角色。仿生算法是受到自然界生物进化和社会行为启发的一种智能计算方法，它在解决复杂...
基本遗传算法（GA）详解
摄影爱好者
05-09 2万+
遗传算法（GA）
遗传算法（三）——适应度与选择
热门推荐
SamYu
09-27 8万+
适应度（fitness） 含义： 个体的适应度（fitness）指的是个体在种群生存的优势程度度量，用于区分个体的“好与坏”。适应度使用适应度函数（fitness function）来进行计算。适应度函数也叫评价函数，主要是通过个体特征从而判断个体的适应度。 评价一个个体的适应度的一般过程： 对个体编码串进行解码处理后，可得到个体的表现型。 由个体的表现型可计算出对应个体的目标函数值。 根据最优...
遗传算法的交叉变异详解
流浪若相惜的专栏
12-02 2万+
转载：OMEGAXYZ 注：仅作学习笔记用，版权归OMEGAXYZ所有，侵权请删 交叉 二进制编码交叉 单点交叉 单点交叉又称为简单交叉，它是指在个体编码串中只随机设置一个交叉点，然后在该点相互交换两个配体个体的部分染色体。图1为单点交叉运算的示意图。 个人理解这个应该图画错了 两点交叉 两点交叉是指在个体编码串中随机设置了两个交叉点，然后再进行部分基因交换。两点交叉的具体操作过程是:①在相互配对的两个个体编码串中随机设置两个交叉点；②交换两个个体在所设定的两个交叉点之间的部分染色体。图2为两点交叉运算示
基于遗传算法的排课算法（优化）
最新发布
恋try的专栏
06-09 593
在进行排课前应该对教学任务的规模和教室及教学时间之间的比例关系有一定的限制，如果超出限制则能产生有效课表的几率很小甚至没有，那么在这种情况下，就不应该进行排课，应该给出相应的提示信息；将教学时间进行了优化，将全部教学时间段用T1-Tn,如果周一有4个时间段，则其中T1-T4为星期一的教学时间段，T5-T8为星期二的教学时间段，其他的教学时间段依次类推。一个系统是可以同时有多个排课方案的，可能根据不同的情况、不同的学期、不同的月份都会有相对独立的排课方案；代码在最后，在此对排课系统的一些思考。
自适应遗传算法（AGA）《Adaptive Probabilities of Crossover》的剖析解读
CSDN
03-01 2万+
动机 自适应设计理念的诞生 knumknumk_{num} 的值 总结 本文对于普通自适应遗传算法的Pm和Pc的公式进行了解读，此公式为M.Srinivas 和 L .M. Patnaik在1994年的《Adaptive Probabilities of Crossover》（点击这里下载论文）论文提出。 动机 在GA中有两个特征是必要的： 在找出包含最优解的...
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

打赏作者

一拳Marx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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