本文探讨了在遗传算法中适应度函数的重要性及其调整方法，包括线性、动态线性、幂律、对数和指数标定等。通过这些变换可以有效改善选择过程，确保优秀个体得到更多的保留机会。
Review：
基本遗传算法
-----------------------------
关于适应度的问题
1. 有的时候，目标函数可能不一定可以直接作为适应度函数。
2. f(x1), f(x2), ... f(xN)之间的差别可能不是很大，个体被选出的概率差不多，这可能导致GA的选择功能被弱化。（为什么……）
此时：可以对目标函数进行变换（标定）。
有线性变换、动态线性变换、幂律变换、对数变换等。
对数，有一种“压大扩小”的功能……
轮盘赌，产生随机数，看落在哪个个体的身上。一定要随机。不是直接取测度最大的那个f(xi)。 为什么？
以下摘自百度文库。
遗传算法中，关于适应度函数。
(1) 线性标定
不是说不给最差的个体机会生存了，还是要给别人一点机会。
（2）动态标定 （就是把线性标定中ksi改成了ksi的k次方，希望开始的时候，大家都有机会，而越到后面，越要保留优秀的个体）
（3）幂律标定
（4）对数标定
（5）指数标定
扫一扫
5066
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
