遗传算法（优化进化课程随笔）

遗传算法（Genetic Algorithm, gA）

• 进化算法四大主要分支之一
• "适者生存"的进化规律实质
• 随机搜索算法，也是一种迭代寻优的过程

大致思路：从初始种群到根据变异、选择和交叉等算子的作用不断迭代来进行优胜劣汰，通过这样的搜索过程来不断逼近最优解

简单遗传算法（simple GA, SGA）

SGA可以定义为一个八元组

各个符号的含义为

参数的取值影响遗传算法的效率和结果，主要是

M：种群大小
T：终止条件
Pc：交叉概率
Pm：变异概率

主要特点

• 直接对结构对象进行操作
• 不存在求导和函数连续性的限定
• 具有内在的隐并行性和更好的全局寻优能力
• 采用概率化的寻优方法
• 不需要确定的规则就能自动获取和指导优化的搜索空间
• 自适应地调整搜索方向。

算法流程（图片来源百度）

一般步骤

1. 随机产生种群。
2. 根据策略判断个体的适应度，是否符合优化准则，若符合，输出最佳个体及其最优解，结束。否则，进行下一步。
3. 依据适应度选择父母，适应度高的个体被选中的概率高，适应度低的个体被淘汰。
4. 用父母的染色体按照一定的方法进行交叉，生成子代。
5. 对子代染色体进行变异。

一些概念

• 复制(reproduction)：父母双方产生下一代。
• 交叉(crossover)：也称基因重组或杂交，完全随机，父母某一段位置上的基因进行基因交换；
• 变异(mutation)：复制时可能（很小的概率）产生某些复制差错，变异产生新的染色体，表现出新的性状，按照概率，随机产生突变位置，更改相应的基因位（由0变1，由1变0）。

遗传算法的优点

1. 与问题领域无关切快速随机的搜索能力。
2. 搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较，robust.
3. 搜索使用评价函数启发，过程简单
4. 使用概率机制进行迭代，具有随机性。
5. 具有可扩展性，容易与其他算法结合。

遗传算法的缺点

1. 遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,
2. 另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.
3. 没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间。
4. 算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进。
5. 算法的并行机制的潜在能力没有得到充分的利用，这也是当前遗传算法的一个研究热点方向。