遗传算法-回顾和思考

说来奇怪，自己在读书期间身边有很多人做遗传算法的工作，但由于自己做的网络设计，就一直没有主动研究，最近一段时间，偶然间突然对遗传算法感兴趣，发现遗传算法还是有很大的发挥空间，在此记录下学习过程~

一、什么是遗传算法

遗传算法是一种模仿自然选择和自然遗传机制进化的高度并行、自适应的全局搜索优化算法，本质是模仿达尔文进化论，通过种群中不同个人（样本）之间的选择、交叉和变异，筛选优质个人，淘汰劣质个人，使得种群不断逼近最优状态，是生物进化过程的一种计算模型。

---

二、遗传算法的基础知识

（1）几个专有名词：染色体、种群、选择、交叉、变异、适应度函数、编码、解码。

• 染色体：对应一个具体个体的数据编码，一个染色体对应一个个体，多个个人构成一个种群。
• 基因：染色体上的一个具体数值即为基因，多个基因连续排列构成染色体。
• 种群：包含多个个体的集合。
• 选择：根据优胜劣汰机制，即根据适应度函数值大小，选择符合目标的TopN个个体，同时剔除不符合目标的末尾TopN个个体。
• 交叉：选择2个个体，个体染色体之间按照一定机制交换部分染色体。
• 变异：给定某个个体，按照一定机制改变原基因为等位基因。
• 适应度函数：用于计算和评估个体优劣的函数。
• 编码：将业务数据编码为染色体，即是将原始问题抽象为遗传算法可以解决的问题。
• 解码：将遗传算法解决的问题，解码为原始问题。

（2）遗传算法的构成

• step1：确定染色体编码机制
• step2：确定种群
• step3：计算适应度函数
• step4：选择
• step5：交叉
• step6：变异
• step7：回到step2，不断迭代，直至满足条件停止。

（3）遗传算法的几个处理知识点

【1】染色体编码

染色体编码本质是原问题转为算法所能理解的问题，原问题一般是数学问题，数学问题一般存在多个待解变量，这里的每个变量对应一个染色体基因（浮点数编码）或者一段染色体基因（二进制编码）。常用的编码方案有：二进制编码、格雷码方法、浮点数编码、符号编码等等，对比各个编码优缺点和使用领域。

• 二进制编码：符合直觉，而且便于染色体操作，但存在精度问题、数值不连续问题（Hamming悬案问题，即连续数值的编码差异很大）。
• 格雷码编码：对二进制编码转换，使得相邻数值的编码只相差一个码位。

• 二进制码转格雷码：g_m=b_m；g_i=g_(i+1) + b_i，i=m-1,m-2,...,2,1 

• 格雷码转二进制码：b_m=g_m；b_i=b_(i+1) + g_i，i=m-1,m-2,...,2,1

• 浮点数编码：染色体操作不方便，但数值连续，可以微调和在解的表现型上直接遗传操作，这种方法适合多极值优化问题。

【2】选择

依据适应度函数值大小，挑选满足目标的N个优质个体，同时舍弃不满足目标的M个劣质个体。

选择的准则：基于累积概率的轮盘赌算法、适应度排序后Top机制选择、缩放个体适应度值后选择、其他个性化选择。

常用方法介绍，

• A、基于排序选择操作的轮盘赌选择：

其中，

直接计算较复杂，选用等价于A的简单方法：确定各个个体的rank和m，则前m个个体赋值2份，最后m个个体删除，中间Pop-m个个体保留。

优点：选择压力保持一致，抑制非成熟收敛。

• B、基于个体累加概率Pi的轮盘赌选择机制

【3】交叉

• 依据一定准则选择2个个体，同时也依据一定准则交换（或者混合）2个个体的染色体基因。
• 交叉准则：单点交叉、双点交叉、多点交叉、一致性交叉等。
• 交互基因的计算方法：直接组合不同个体基因（片段）为新个体；或者按比例混合计算不同个体基因（片段）为新个体。
• 重要性：交换两个个体信息，有助于全局极值的优化。

浮点数编码的交叉公式：

，其中alpha是介于0到1的小数，实际处理时候要注意x的上界和下界。

【4】变异

• 依据一定混着，改变染色体基因（基因突然），提升染色体的多样性。
• 变异准则：对于二进制编码，直接随机改变某个基因为等位基因；对于浮点数编码，依据概率从max和min两个不同方向改变原始数值。
• 重要性：提升种群多样性。

浮点数编码的变异公式：

其中，k是介于0到1之间的小数，实际处理时候要注意x的上界和下界。

（4）使用遗传算法所面临的几个难点

• 【1】早熟现象（过早收敛局部最优值）：交叉过程的成熟化效应导致种群多样性趋于0。

解决方法：随机试验法（又称为Monte-Carlo法，即n次迭代，最优个体无明显变化，则保留最优个体，其他个体重新生成），注意该方法不是为了进化种群，而是摆脱迟钝状态，重新搜索。

• 【2】编码后，问题解数值的连续性问题
• 【3】搜索结果在全局最优值附近摆动

解决方法：自适应搜索范围，即开始搜索范围大，后期减小搜索范围，防止在最优值附近摆动。

• 【4】全局收敛性问题

解决方法：基于马尔科夫链的数学证明说明是简单遗传算法不是全局收敛，待最优缓存（父代最优个体替代子代最差个体）的遗传算法才是全局收敛。

 

拓宽搜索空间、增加种群多样性：交叉和变异。
算遗传算法稳定性、种群整体收敛性

---

三、遗传算法的应用范围

1、存在多个自变量的函数，需要求解最优值（最小或者最大）的问题，其中时间复杂度小于暴力枚举。

---

四、遗传算法和深度学习的结合

1、借助遗传算法，搜索最优神经网络架构。

---

 

-- 未完待续--