遗传算法经典实例代码_经典算法研究系列 之 深入浅出遗传算法

关注数学，关注AI，关注我们公众号ID：Math-AI

经典算法研究系列

遗传算法

1

初探遗传算法

Ok，先看维基百科对遗传算法所给的解释：

遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上，解用二进制表示(即0和1的串)，但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

光看定义，可能思路并不清晰，咱们来几个清晰的图解、步骤、公式：

基本遗传算法的框图：

所以，遗传算法基本步骤是：

1)  初始化   t←0进化代数计数器；T是最大进化代数；随机生成M个个体作为初始群体    P(t)；

2)  个体评价 计算P(t)中各个个体的适应度值；

3)  选择运算 将选择算子作用于群体；

4)  交叉运算 将交叉算子作用于群体；

5)  变异运算 将变异算子作用于群体，并通过以上运算得到下一代群体P(t + 1);

6)  终止条件判断  t≦T：t← t+1 转到步骤2；

        t>T：终止 输出解。 

好的，看下遗传算法的伪代码实现：

▲Procedures  GA：   伪代码

2

深入遗传算法

1、智能优化算法概述

智能优化算法又称现代启发式算法，是一种具有全局优化性能、通用性强且适合于并行处理的算法。

这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。 

遗