遗传算法简介（一）

这也是一个听起来很神奇，实现起来挺容易，内部机制很深邃的方法。和模拟退火算法一样，遗传算法也是求解NP难问题近似解的一种常见手段（当然，其应用远远不止解决这些问题。后面慢慢谈）。下面就以0-1背包问题为例（0-1背包问题用动态规划可以取到多项式时间复杂度的解，这里只是用这个举例），演示遗传算法该怎么玩。

1. 0-1背包问题

   简略的计算一下0-1背包问题，就是一个人有一个最多能装N公斤东西的包裹，然后有M个货物，每个货物都有不同的重量Mi和价值Wi，求怎样组合能在不超重的情况下，货物的价值最高。

   例如包裹最多能装10Kg的东西，一共有5个货物其重量和价值分别为

重量	1	2	3	4	5
价值	5	3	6	2	9

 

1. 算法基本步骤

（1）基因编码

针对0-1背包问题，编码很简单，就是1-5号货物是否放入包中，例如

01001就是将，2，5号放入包裹中。

（2）初始群体

随机生成群体里的一个个体。需要注意的是如果某一个个体所要放入的包中货物超过了上限，就随机放弃一个货物。

例如，随机产生的编码为01011，显然超重了，则随机将某个1置0，变成01010.

（3）适应度计算

对于0-1背包问题，适应度计算函数也很简单，就是看携带货物的价值。

（4）选择

根据进化论，具有高适应度的个体应该有更高的可能性活下来。选择算法有很多，比较常见的有轮盘赌法，或者简单粗暴的把适应度最高的几个选择下来。轮盘度法比较常用，效果也比较好。其公式为

 

也就是每个个体的存货概率Pi，等于它的适应性f（i）除以整个群体的总适应性。

（5）交叉（也就是繁衍后代）

本例中使用单点交叉。从群体中随机抽取两个个体，假设是01001和10110，随机产生交叉点假设是2.这样就把两个个体的前两个数互相交换。

就变成了10001和01110. 如果某一个个体所要放入的包中货物超过了上限，就随机删掉一个。

（6）突变（或者叫变异）

以一个较低的概率让一个个体进行变异，本例中就可以随产生一个变异点，然后这个点如果只1就置0，如果是0就置1.当然，不是每一个个体都需要突变。

 

接下来就是重复3-6步了，这个问题比较简单，大概几代十几代就可以找到最优解了。

转载于:https://www.cnblogs.com/zy8095/p/3655113.html