遗传算法学习笔记（Genetic Algorithm）

遗传算法概述

生物学概念

生物遗传进化简单来说就是 优胜劣汰
种群繁衍产生变异的后代、其中一些更能适应自然、于是便在自然的生存法则中存活了下来，并且产生带有自己优良性状的后代，群体数量不断增加，循环往复。

而在计算机中，因为用0、1表示，于是我们可以将不同的0、1片段看作不同的DNA序列，任意截取两段0、1序列的片段即可组成新的0、1序列，而变异即使序列中的0变成1，或是1变为0。

简单理解遗传算法

遗传算法(GA)是一种优化(optimize)算法，来自于生物学生物进化的概念。
从指向目标函数的初始种群的候选解开始，随后的种群通过选择（selection）、交叉（crossover）、变异（mutation从初代中进化。

怎么进化——二进制的例子

• 选择
  在父代到子代的遗传中保持最好的二进制序列
  有利于繁殖的父代(performing well)：
  –parent1 = [1 0 1 0 0 1 1 0 0 0]
  –parent2 = [1 0 0 1 0 0 1 0 1 0]

• 交叉
  –parent1 = [1 0 1 0 0 1 1 0 0 0]
  –parent2 = [1 0 0 1 0 0 1 0 1 0]
  –child = [1 0 0 0 0 1 1 0 1 0]

• 变异
  –parent = [1 0 1 0 0 1 1 0 0 0]
  –child = [0 1 0 1 0 1 0 0 0 1]

遗传算法原理

去源于达尔文的“物竞天择，适者生存”。
它是一种自适应全局优化概率搜索算法。存在很多的随机性，因此产生更多可能性。

优点

隐含并行性（个体之间可以同步进行而不相互影响）
全局解空间搜索

主要应用领域

1. 函数优化
   非线性、多模型、多目标函数
2. 组合优化
   规模较大时
3. 自动控制
   控制器参数优化
4. 机器人
   结构优化和行为调节
5. 图像处理
   各个方面

时间限制要求不高时GA十分有用

遗传算法的搜索机制

• 每次迭代保留一组候选解
• 按某种指标从解群中选取较优个体，利用遗传算子（选择、交叉、变异）对这些个体进行组合
• 产生新一代的候选解群

重复直至满足收敛标准

遗传算法的基本操作

• 选择（selection）
  根据一定的规则从t代群体P(t)中选择一些个体遗传到下一代P(t+1)

• 交叉（crossover）
  将P(t)内的各个个体随机配对，每个个体以交叉概率Pc交换他们之间的部分染色体

• 变异（mutation）
  对P(t)内每一个个体，以遗传概率Pm改变某一基因为它的等位基因