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
- 随机产生种群。
- 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。
- 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。
- 用父母的染色体按照一定的方法进行交叉,生成子代。
- 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
- 与问题领域无关切快速随机的搜索能力。
- 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.
- 搜索使用评价函数启发,过程简单
- 使用概率机制进行迭代,具有随机性。
- 具有可扩展性,容易与其他算法结合。
遗传算法的缺点
- 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,
- 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.
- 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。
- 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。
- 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。