数学建模之遗传算法

最新推荐文章于 2023-10-23 20:07:02 发布

好好去学习

最新推荐文章于 2023-10-23 20:07:02 发布

阅读量2.1k

点赞数 2

分类专栏：数学建模文章标签：数学建模

本文链接：https://blog.csdn.net/qq_45767140/article/details/119884035

版权

数学建模专栏收录该内容

17 篇文章 17 订阅

订阅专栏

如何用数学手段体现“优胜劣汰”的选择过程？

如何用数学实现交换、突变？

交换、突变对于问题的解决有什么意义？

什么是遗传算法？

生物学上的遗传过程包括染色体的复制，并且伴随一定概率发生染色体片段的交换、极小的概率发生基因突变。遗传算法是一种搜索寻优技术，它效仿生物的进化与遗传，跟据“生存竞争”和“优胜劣汰”的原则，借助复制、交换、突变等操作，使所要解决的问题从初始解一步步地逼近最优解。说到这里，你是否理解初步掌握了遗传算法的基本概念。

如何用数学手段体现“优胜劣汰”的选择过程？如何用数学实现交换、突变？

交换、突变对于问题的解决有什么意义？

这些问题是理解遗传算法的关键所在。

遗传算法的流程

（1）编码

对实际问题进行抽象化，用数学进行表示。

遗传算法首先需要对实际问题进行编码，用字符串表达问题。这种字符串相当于遗传学中的染色体，每一代所产生的字符串总和称为群体。在计算机中，一般采用长度固定的二进制表示。

（2）计算适应度

衡量字符串（染色体）好坏的指标是适应度，也就是遗传算法的目标函数F(x)。适应度是驱动遗传算法的动力。

（3）复制

为了将已有的群体变为下一代群体，遗传算法仿效进化论中“自然选择、适者生存”的原则，从旧群体中选择优良个体进行复制。选择的依据是个体适应度的大小，适应度大的个体接受复制，使之繁殖；适应度小的个体则删除掉，使之死亡。

（4）交换

通过复制产生的新群体，其性能得到改善，然而它不能产生新的个体。为了产生新的个体，遗传算法仿照生物学中杂交的方法，对染色体（字符串）的某些部分进行交叉换位。被交换的母体都选自经过复制产生的新一代个体。

进行交换的对象、交换的位置都是依据随机概率进行选择。

（5）突变

遗传算法模仿生物学中基因突变的方法，将个体字符串某位符号进行逆变，即由1变为0或由0变为1。遗传算法中，个体是否进行突变以及在哪个部位突变，都由事先给定的概率决定。通常，突变概率很小，约为0.008。

（6）终止条件

遗传算法是一种反复迭代的搜索方法，需要确定终止条件。最常用的终止方法是规定遗传（迭代）的代次。刚开始时，迭代次数小一些，如规定100次。然后视情况逐渐增加次数，可达到上千次。当目标函数是方差这一类有最优目标值的问题时，可采用控制偏差的方法实现终止。一旦遗传算法得出的目标函数值（适应度）与实际目标值之差小于允许值后，算法终止，即：

| f(x) – f * | ≤△

f(x) ：遗传算法得出的目标函数值。f * ：实际目标值。△ ：足够小的数。

第三种终止方法是检查适应度的变化。在遗传算法后期，一旦最优个体的适应度没有变化或变化很小时，即令计算终止。