遗传算法

1、遗传算法的作用

遗传算法主要思想就是利用达尔文优胜劣汰的原则，选择好的保留，不好的淘汰，最终目的找到最优解。

2、遗传算法的求解

因为是利用达尔文的思想来解题，顺着遗传规律，设定一个有20头猪的自然环境（有公有母），在一个规定的环境中生存、进化。

生物在不断的繁衍进化，这20头猪都会繁衍进化吗？不一定吧，总会有特别绅士的，所以假设80%的猪释放了天性，繁衍了另外一代的猪。此时猪就会发生进化，进化的过程是基因变异的过程，但也不是每头猪都会变异，变异的概率是很小的，假设为0.01。这个环境中只能容纳20头猪，注定要淘汰一批猪，淘汰有淘汰的规则，不能揪几头猪就说是笨猪，不要了，要设定淘汰的机制。这个机制就与我们求解的方程、问题有关，通过计算得到他们的适应值，谁适应谁存活。依次不断繁衍，最终就会得到会飞的猪。

说明：20代表种群大小，80%代表交叉概率，1%代表突变概率，迭代次数，结果精确度为初始变量，其数值大小视情而定，完全依赖于经验。

根据上面的分析了解了遗传算法的流程，但是具体要怎么做呢？怎么模仿这个过程呢？举例说明，求解方程f(x)=-2x²+5x-10,0<x<4最大值。

1）20头猪怎么表示？用一串二进制数表示基因（个体）

以题为例，确定基因长度（二进制串长度），设精确度为10^-3，则有2¹¹<(4-0)10³<2¹²，则需要12位二进制数表示，随机产生20个12位的二进制数。

2）交配的过程怎么表示？单点交叉

交配过程就是基因重组的过程，方法有很多，以单点交叉法为例，随机选择两条基因交配，然后随机产生交叉位置，在交叉点以后所有二进制数交换，得到新的基因。

父母基因	交叉位置	子代基因
101110010111 010010010110	6	101110010110 010010010111

3）变异的过程怎么表示？

繁衍产生的新个体，新个体的基因会以一定的概率发生基因变异。

变异基因	变异位置	新基因
101110010110 010010010111	4 6	101010010110 010011010111

4）淘汰的过程怎么表示？轮盘赌

首先要建立淘汰个体的标准，也就是这些个体的对环境的适应情况，那么就要创建适应度函数，一般适应度函数根据目标函数而来，此例中可以直接使用目标函数作为适应度函数。

在进行计算之前，要将二进制串转换为在取值范围内的十进制数，然后根据适应度函数计算适应值。个体被选中的概率与适应值成正比。其中适应值计算公式为：

个体被选中的概率：

累计概率为：

接下来开始优胜劣汰，淘汰不好的个体。

首先产生[0,1]之间的随机数，并对应累计概率的取值范围找到选择的个体，举例说明。

个体	1	2	3	4	5	6	7
选中概率	0.13	0.25	0.09	0.21	0.11	0.15	0.06
累计概率	0.13	0.38	0.47	0.68	0.79	0.94	1

随机数为0.52，在累计概率的3-4之间则，选择4号个体

5）什么时候终止？

终止条件一般采用繁衍次数的计算方式，繁衍50代，到第50代停止繁衍，并在此时的种群中计算最优适应值即可，得到最优解和相应的未知值。

3、遗传算法的特点

1）与问题领域无关切快速随机的搜索能力；

2）搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较；

3）搜索使用评价函数启发，过程简单 ；

4）使用概率机制进行迭代，具有随机性；

5）具有可扩展性，容易与其他算法结合。

4、遗传算法的不足

1）遗传算法的编程实现比较复杂，首先需要对问题进行编码，找到最优解之后还需要对问题进行解码；

2）另外三个算子的实现也有许多参数，如交叉率和变异率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验；

3）没有能够及时利用网络的反馈信息，故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间； 

4）算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进； 

5）算法的并行机制的潜在能力没有得到充分的利用，这也是当前遗传算法的一个研究热点方向。

遗传算法的衍生算法，混合遗传算法（传统梯度类算法、单纯形法及模拟退火），合作型协同进化算法。