【遗传算法】基于实数编码（离散杂交+自适应变异），线性排名选择的遗传算法

文章转自：https://www.cnblogs.com/liyuwang/p/6012712.html

原文有代码，此处不再给出。

我们来看一个很简单的小问题f=x1+x2+x3+x4,x1、x2、x3、x4是大于等于10小于等于100的实数，求f的最大值。

这个小学生就能解决的问题我今天打算用遗传算法来解决，你可能说这不是智障吗？但是其实这只是一个小例子，因为用同样的方法，你可以解决f=x1^x2*x3^x4/x2^x1*x4^x3甚至是更复杂的问题，下面就来详细讲一讲。

基于对遗传算法的一般性了解，我就不再赘述详细过程（其实是因为上一篇写过了懒得再写一遍），只谈谈实数编码和线性排名选择策略。

实数编码顾名思义就是用实数进行编码，实数来做染色体的基因，实数构成染色体，他的本质其实是用问题的一个解空间来做一个染色体，比如{20.5658.15.2385，89.0000,56.4400}，就是上面小问题的一个解空间，就可以把它作为一个染色体用于进化，其中的每一个x1,x2都是一个基因，那些交叉，变异都是基于这样的设定的。

在这里插一句，实数编码和整数编码的思想是极为类似的，但是实数编码的解空间更大更复杂。

现在来讲讲实数编码的交叉和变异

1、交叉

实数编码的杂交方式有离散杂交，算数杂交等等，本例只讲解离散杂交。

离散杂交和二进制的杂交是十分类似的，（可以）选定一个基因位，然后将选定的两个染色体在这个位置之后的基因进行交换（注意基因的定义区间是不变的）。

注意，在实数编码中，交叉的作用不是很大。

2、变异

实数编码的变异包括均匀性变异、正态性变异、非一致性变异、自适应变异、多级变异等，本例只讲解自适应变异和非一致性变异。

（1）非一致性变异

在传统的遗传算法中，突变的情况是与代数无关的。但是进化刚开始时，就是需要向各个方向大步发展进行尝试，进化到了后期，解已经相对较优了，进行局部搜索可能更有利于找到更好的解。显然传统的方法是不行的，必须找到一种将变异幅度和代数相联系的策略。

所以给出如下方法：s={v1,v2,v3,v4……},vk被选中进行变异，它的定义区间为{ak,bk},

vk1=vk+h(t,bk-vk);  vk2=vk-h(t,vk-ak);

（t为代数，h（t,y）=y*(1-r^(1-t/T)^p),r是0~1的随机数，T为最大代数，p式一个参数，一般取值为2~5）

新的vk随机在vk1和vk2中进行选取，这样就实现了之前提出要求。

（2）自适应性变异

非一致性变异加强了局部搜索能力，但是与解的好坏无关，但是我们可能希望的是好的解搜索范围较小，坏的解搜索范围较大这样，所以在非一致性变异上进行一些修正。

我们只需要将h(t,y)中的t换为T，T是一个与解的质量有关的数，

T=1-f(s)/fmax

f(s)是某个体的适应值，fmax是所解问题的最优结果，当然fmax不太好确定，所以找一个近似替代就可以了，比如当代最优解或是历史最优解。

3、线性排名选择策略

基于适应值比例的算法（轮盘赌、繁殖池）比较容易陷入过早收敛和停滞现象，排名选择策略可以避免这个问题。

我们只介绍线性排名选择策略。

顾名思义，排名策略嘛，就是要所有的解按照适应值进行排排坐，各自都有一个排名，然后我们按照大家的排名制定一个被选中的概率（然后根据这个概率进行轮盘赌），这就避免了某些个体很多就可以在轮盘赌中获得很大优势，变成了强的更有机会，但是弱者的生存机会也没被剥夺。

被选中的概率为pi=(a-b/(n+1))/n，n为排名，a，b有个一般取值，1≤a≤2，一般取1.1,b=2a-2.