【人工智能I】遗传算法

产生和发展

基本思想

基本流程

求解过程实例

编码

用字符串表达所研究的问题，成为编码。表达问题的字符串相当于遗传中的染色体，每个字符串称为个体，每一遗传代次中个体的组合成为群体。

形成初始群体

遗传算法中，常用随机的方法产生初始群体，即随机生成一组任意排列的字符串。

计算适应度

衡量字符串好坏的标准是适应度，就是目标函数，适应度是以后优胜劣汰的主要判据。

复制

从旧群中选择优良个体予以复制，直接进入下一代群体。选择的依据是个体适应度的大小，大的赋值；小的删除。

交叉

复制可以改善总性能，但是交叉可以产生新个体。对字符串某些部分进行交叉交换。

变异

将个体字符串某位符号进行逆变，得到新个体。
个体是否变异以及变异的位置，由变异概率决定。通常变异概率很小。

终止

重复3~6，直到求出满意结果。

基本算法

编码

• 二进制编码
• 格雷编码
  
• 实数编码
• 多参数级联编码

群体设定

规模太小，优化性能不好，容易陷入局部最优解；规模太大，计算复杂。
模式定理：若群体规模为M，则遗传操作可以从这M个个体中生成和检测M**3个模式。

适应度函数

尺度变换：

• 线性变换
• 幂函数变换
• 指数变换

选择

个体选择概率分配方法：

• 适应度比例
  个体被选择的概率与其适应度成正比；即个体i的被选择概率为fi / fi(i=0…M)。

• 排序
  
  选择个体的方法：

• 转盘赌选择
  

• 锦标赛选择

• 最佳个体保存方法

交叉

变异

一般步骤

应用（TSP问题）