![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
遗传算法
平平无奇的小女子~
这个作者很懒,什么都没留下…
展开
-
遗传算法的收敛性分析
基本遗传算法可描述为一个齐次Markov链P= {P(t),t≥0},因为基本遗传算法的选择、交叉和变异操作都是独立随机进行的,新群体仅与其父代群体及遗传操作算子有关,而与其父代群体之前的各代群体无关,即群体无后效性,并且各代群体之间的转换概率与时间的起点无关。[定理1]基本遗传算法收敛于最优解的概率小于1。对于这种收敛于最优解的概率小于1的基本遗传算法,其应用可靠性就值得怀疑。从理论上来说,仍希望遗传算法能够保证收敛于最优解,这就需要对基本遗传算法进行改进,如使用保留最佳个体的策略就可达到这个要求。原创 2022-03-03 11:10:30 · 4543 阅读 · 0 评论 -
遗传算法的应用步骤
遗传算法提供了一种求解复杂系统优化问题的通用框架,它不依赖于问题的领域和种类。对一个需要进行优化计算的实际应用问题,一般可按下述步骤来构造求解该问题的遗传算法。第一步:确定决策变量及其各种约束条件,即确定出个体的表现型X和问题的解空间。第二步:建立优化模型,即确定出目标函数的类型(是求目标函数的最大值还是求目标函数的最小值?)及其数学描述形式或量化方法。第三步:确定表示可行解的染色体编码方法,也即确定出个体的基因型X及遗传算法的搜索空间。第四步:确定解码方法,即确定出由个体基因型X到个体表现型X的对原创 2022-03-03 11:06:43 · 2907 阅读 · 1 评论 -
遗传算法概述
对于实际问题中的目标函数和约束条件种类繁多中的最优化问题,有的是线性的,有的是非线性的;有的是连续的,有的是离散的;有的是单峰值的,有的是多峰值的。随着研究的深入,人们逐渐认识到在很多复杂情况下要想完全精确地求出其最优解既不可能,也不现实,因而求出其近似最优解或满意解是人们的主要着眼点之一。总的来说,求最优解或近似最优解的方法主要有三种:枚举法、启发式算法和搜索算法。(1)枚举法。枚举出可行解集合内的所有可行解,以求出精确最优解。对于连续函数,该方法要求先对其进行离散化处理,这样就有可能产生离散误差而永远原创 2022-03-03 10:49:38 · 4993 阅读 · 0 评论