遗传算法超详解（适合搞OI的同学）

VIP文章 _lcy_

于 2023-04-09 17:29:42 发布

阅读量557

点赞数

文章标签：算法人工智能 c++

本文链接：https://blog.csdn.net/m0_52108487/article/details/130044855

版权

遗传算法详解

前记

遗传算法真的很神奇，写着写着，忽然从中品出点哲学意味来。

注：本文摘自我的博客园。

什么是遗传算法

就不从百度上往下搬了。

遗传算法，又称为 $\text{Genetic algorithm(GA)}$ 。其主要思想就是模拟生物的遗传与变异。它的用途非常广泛，可以用于加速某些求最大或者最小值的算法。

特别提醒，遗传算法是一个随机算法，会有一定的错误概率。

遗传算法前置知识

首先先来补充一些生物知识：

每个生物都有许许多多的染色体，这些染色体呈棒状。每个染色体都由双螺旋状的 $\text{DNA}$ 构成。每条 $D N A$ 上都有许多基因。放个图来理解一下。

染色体和基因

大概不需要过多解释，中学生物都学过。将 个体，染色体，基因 范围由大到小排序为：

个体（Individual） > 染色体（chromosome） > 基因（gene）

遗传算法模拟了自然选择的过程。那些适应环境的个体能够存活下来并且繁殖后代。那些不适应环境的个体将被淘汰。换言之，如果我们对每个个体都有一个适应度评分（用来评价其是否适应环境），那么对于适应度高的物体来说，将具有更高的繁殖和生存的机会。

另外，为了保持种族的稳定性，我们会将父代的基因传递下去。

遗传算法基础

遗传算法基于一些~~不证自明~~的理论依据：

种群中的个体争夺资源和交配。
那些成功的（最适合的）个体交配以创造比其他人更多的后代。
来自 “最适” 父母的基因在整个世代中传播，即有时父母创造的后代比父母任何一方都好。
因此，每一代人都更适合他们的环境。

遗传算法基础概念

拿古代人类来举例子：

个体（ $\text{Individual}$ ）：每个生物。即每个古人类个体。
种群（ $\text{population}$ ）：一个系统里所有个体的总称。比如一个部落。
种群个体数（ $\text{POPULATION}$ ）：一个系统里个体的数量。比如一个部落里的人数。
染色体（ $\text{chromosom}$ ）：每个个体均携带，用来承载基因。比如一条人类染色体。
基因（ $\text{Gene}$ ）：用来控制生物的性状（表现）。
适应度（ $\text{fitness}$ ）：对某个生物是否适应环境的定量评分。比如对某个古人类是否强壮进行 $[1, 100]$ 的评分。
迭代次数（ $\text{TIMES}$ ）：该生物种群繁衍的次数。比如古人类繁殖了 $100$ 万年。

一定要记住这些英文名字！！！，后面会经常用到

配图表示：

Describe Gene

图中，种群、染色体、基因都已经标注上了。种群个体数量为 $3$ ，每个个体都是染色体 $+$ 对应的适应度。

在算法中，我们对每个个体计算其染色体的适应度（ $\text{fitness}$ ）来决定它是否优秀。

小试牛刀

尝试构建一个名字叫做 $\text{Individual}$ 的结构体，里面存储一个个体的信息。可以自己尝试先写一下。

参考答案：

struct Individual {
   
    string chromosome; // 染色体
    int fitness; // 个体的适应度
    Individual(string chromosome); // 初始化
    int calc_fitness(); // 计算适应度
    Individual mate() // 即交叉算子(CrossOver)。后面会讲到。
    Individual mutation() // 即变异算子(Mutation)。后面会讲到。
};

Individual(string chromosome) {
   
    this -> chromosome = chromosome;
    this -> fitness = calc_fitness();
}

遗传算法算子

交叉算子（ $\text{CrossOver}$ ）

也有将该算子称为 $ma t e$ 的。我更倾向于第二种叫法，~~因为第二种字数更少。~~

交叉算子就是模拟父母双方交配过程。想一想人类交配时，每个基因会随机的来自父亲或者母亲。我们可以模拟这个过程。假设我们的染色体用 $\text{string}$ 存储，可以实现下面的交配代码：

// par 代表母亲，chromosome 代表父亲（即本身）的染色体，par.chromosome 则代表母亲染色体。
Individual Individual::mate(Individual par) {
    // 交叉
	string child = ""; // 子代染色体
	int len = chromosome.size();
	for (int i = 0; i < len; i ++ ) {
   
		double p = random(0, 100) / 100; // 计算来自父母的概率
		if (p <= 0.5) child += chromosome[i]; // 一半概率来自父亲
		else child += par.chromosome[i]; // 另一半来自母亲
	}
	return Individual(child);
}