遗传算法原理及算法步骤(学习篇·上)

本博文源于数学建模之常见优化算法的遗传算法。之前看见过国一论文用过遗传算法，遗传算法跟元胞机有点关系，什么关系没有研究，如果有机会还是要看看元胞机，毕竟都是智能优化算法。本篇博文没有程序。

遗传算法起源

遗传算法全名：Genetic Algorithm简称GA。通过模拟生物进化过程与机制来解决实际问题的一种智能技术，还有一种别称叫做：启发式算法。

遗传算法生动举例

这个例子也被遗传算法广为传颂：在一座山上目标找到山上最高点，现在往山上撒一匹麋鹿，过一段时间，将低于海拔xx米的鹿群杀死，然后再过一段时间，再把低于xx米的一匹鹿杀死，以此类推，剩下最后一只或几个必然是最优解。

算法原理

一般步骤如下：

• 对于自变量的离散通常选用二进制编码，离散精度的高低决定了编码长度。这一步称为初始化种群
• 种群选择：对于种群我们采用选择，目标选出好的，一般采用随机选择
• 种群交叉：这个部分开始做交叉优化了，一般采用单点选择。
• 种群变异：对于变异就是通过变异概率翻转某个位的值，比如1变成0，0变成1之类的，一般的变异概率为0到0.05
• 轮盘赌选择变异后结果：这里会产生一个如何轮盘赌，我们每次产生的交叉结果，转成十进制后累加，求总和，然后每个点求各自概率，然后开始做P次循环，在[0,1]之间随机产生随机数r，根据随机数选择个体i。

算法步骤

因此算法步骤如下：

1. 随机产生初始种群，每个个体代表此个体染色体的基因编码。
2. 在确定个体适应度的同时，判断其适应度是否符合优化准则，若符号，则输出最佳个体及其代表的最优解，否则转向3
3. 依据“适者生存，优胜劣汰”的准则选择再生个体，适应度高的个体被选中的概率大，反之淘汰
4. 根据已知的交叉方法和概率及其变异方法和概率产生新的个体，并通过交叉和变异产生的新一代的种群，返回到2