遗传算法（GA）

遗传算法（genetic algorithm）模型

遗传算法需要通过编码实现对个体的表示，并利用适应度函数对个体优劣进行评价，通过选择、交叉和变异等进化操作实现优化搜索。

编码方法
遗传算法的编码方式有：二进制编码、自然数编码、实数编码和树形编码等。其中最常见的就是二进制编码。例如：一个长度为5的二进制串10100就可以表示为一个个体；三个二进制串010、110、111就可以表示为规模为3的群体。
解码 ：将二进制串10100表示成问题的解为20，就是解码。（解码的原因：对个体的评价需要在问题的解空间中进行）
实际上交替进行编码和解码时遗传算法的必备组成部分，实现了问题的解空间对算法搜索空间的相互转换。

适应度函数
每一个个体都有一个适应度函数相对应。其优劣需要通过适应度函数值大小进行定量评价。个体越优越，其适应度函数值越大。适应度函数直接决定搜索群体的进化行为。
适应度函数标定
令F和H分别表示变换前和变换后的适应度函数，以下给出对适应度值进行尺度变换的常用方法：
1）线性尺度变换法
H=aF+b
其中，参数a和b要根据具体问题设置
2）σ截断法
H=F+( ̅F -cσ)
其中 ̅F表示变换前的适应度函数值的平均值，参数c需要根据具体问题设置
3）幂律尺度变换
H=Fα(α在右上角)
当参数α>1时，选择压力增加；当参数α<1时，选择压力减小
选择策略
在遗传算法中，一方面要保持搜索群体的多样性，设置低选择压力可选择多种类型的个体，加强对未知解区域的搜索，避免算法陷入局部极值，但算法优化速度会变得缓慢；另一方面要设置高选择压力可选择优良个体，实现优胜劣汰，可以加快优化速度但群体多样性会下降，会减小搜索到全局最优值概率。目前，可以通过选择策略调节选择压力和群体多样性之间的矛盾。
1）轮盘赌算法
实现选择操作的方法有很多，最基本的是霍兰德推荐的轮盘赌算法。计算每个个体被选择进入到下一代群体的概率，即

其中，P；表示第i个个体被选择的概率；F；表示第i个个体的适应度函数值；N表示群体规模。
2）分级选择法

3）锦标赛选择法
这种选择策略与基于排名的思想，但不显示排名，在当前群体中，每次随机选择K个个体，然后从这k个个体中选出适应度值最大的个体到下一代群体中。被选择的个体仍然返回到当前群体中，参加下一次k个个体的随机选择。重复上述过程N次，就可以产生N个个体，达到群体规模的要求。
4）Boltzmann选择法