遗传算法

最新推荐文章于 2023-12-20 14:47:19 发布

日期arts发

最新推荐文章于 2023-12-20 14:47:19 发布

阅读量235

点赞数

本文链接：https://blog.csdn.net/qq_45140593/article/details/92987282

版权

本文介绍了遗传算法的起源和基本原理，包括适应度、选择、交叉和变异等概念。遗传算法模仿生物进化过程，通过迭代优化寻找问题的局部最优解。文章还提及了进化算法、模拟二进制交叉、高斯变异以及多目标优化中的Pareto最优和NSGA-2算法，阐述了遗传算法在多目标优化问题中的应用。

摘要由CSDN通过智能技术生成

引言

1858年7月1日C.R.达尔文与A.R.华莱士在伦敦林奈学会上宣读了进化论的论文，至此进化理论深入人心，为广大吃瓜群众开辟了一个思想的新的天地。而我们的机器学习大师们向来喜欢从生物学家那里找灵感，神经网络的灵感据说来自于人体的神经元，而根据进化论的思想，我们的大师们提出了遗传算法和进化算法。（其实我觉得我们的大师们只是给自己发明的东西找个勉强站得住脚的理由吧，哈哈。）

遗传算法

遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜索算法，从某种程度上说遗传算法是对生物进化过程进行的数学方式仿真。霍兰德(Holland)在他的著作《Adaptation in Natural and Artificial Systems》首次提出遗传算法，并主要由他和他的学生发展起来的。其主要思想是生物种群的生存过程普遍遵循达尔文进化准则，群体中的个体根据对环境的适应能力而被大自然所选择或淘汰。进化过程的结果反映在个体的结构上，其染色体包含若干基因，相应的表现型和基因型的联系体现了个体的外部特性与内部机理间逻辑关系。通过个体之间的交叉、变异来适应大自然环境。生物染色体用数学方式或计算机方式来体现就是一串数码，仍叫染色体，有时也叫个体；适应能力是对应着一个染色体的一个数值来衡量；染色体的选择或