数学建模模型9——遗传算法【离散型】——智能算法

几种算法比较

我们把函数曲线理解成一个一个山峰和山谷组成的山脉。那么我们可以设想所得到的每一个解就是一只袋鼠，我们希望它们不断的向着更高处跳去，直到跳到最高的山峰。所以求最大值的过程就转化成一个“袋鼠跳”的过程。
下面介绍介绍“袋鼠跳”的几种方式。

• 爬山算法：一只袋鼠朝着比现在高的地方跳去。它找到了不远处的最高的山峰。但是这座山不一定是最高峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。
• 模拟退火：袋鼠喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，它渐渐清醒了并朝最高峰跳去。这就是模拟退火算法。
• 遗传算法：有很多袋鼠，它们降落到喜玛拉雅山脉的任意地方。这些袋鼠并不知道它们的任务是寻找珠穆朗玛峰。但每过几年，就在一些海拔高度较低的地方射杀一些袋鼠。于是，不断有袋鼠死于海拔较低的地方，而越是在海拔高的袋鼠越是能活得更久，也越有机会生儿育女。就这样经过许多年，这些袋鼠们竟然都不自觉地聚拢到了一个个的山峰上，可是在所有的袋鼠中，只有聚拢到珠穆朗玛峰的袋鼠被带回了美丽的澳洲。
  ————————————————
  版权声明：本文为CSDN博主「viafcccy」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
  原文链接：https://blog.csdn.net/viafcccy/article/details/94429036

原理

作者：wildpointer
链接：https://www.zhihu.com/question/23293449/answer/120220974
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

我们希望有这样一个种群，它所包含的个体所对应的函数值都很接近于f(x)在特定上下限内的最大值，但是这个种群一开始可能不那么优秀，因为个体的染色体串是随机生成的。
那么如何让种群变得优秀呢？——不断的进化。
每一次进化都尽可能保留种群中的优秀个体，淘汰掉不理想的个体，并且在优秀个体之间进行染色体交叉，有些个体还可能出现变异。种群的每一次进化，都会产生一个最优个体。种群所有世代的最优个体，可能就是函数f(x)最大值对应的定义域中的点。如果种群无休止地进化，那总能找到最好的解。但实际上，我们的时间有限，通常在得到一个看上去不错的解时，便终止了进化。
对于给定的种群，如何赋予它进化的能力呢？

• 首先是选择(selection)
  选择操作是从前代种群中选择多对较优个体，一对较优个体称之为一对父母，让父母们将它们的基因传递到下一代，直到下一代个体数量达到种群数量上限在选择操作前，将种群中个体按照适应度从小到大进行排列采用轮盘赌选择方法（当然还有很多别的选择方法），各个个体被选中的概率与其适应度函数值大小成正比轮盘赌选择方法具有随机性，在选择的过程中可能会丢掉较好的个体，所以可以使用精英机制，将前代最优个体直接选择
• 其次是交叉(crossover)
  两个待交叉的不同的染色体(父母)根据交叉概率(cross_rate)按某种方式交换其部分基因采用单点交叉法，也可以使用其他交叉方法
• 最后是变异(mutation)
  染色体按照变异概率(mutate_rate)进行染色体的变异采用单点变异法，也可以使用其他变异方法
  

GA函数

在使用遗传算法时，由于算法对初始种群的选取是随机的，因而每次计算结果可能不同，必须运行多次，分析结果，将离群点排除后取均值是个不错的选择。

函数原型：