目录
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 = [1 010 0 1 1 000]
–parent2 = [1 0 01001 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
- 函数优化
非线性、多模型、多目标函数 - 组合优化
规模较大时 - 自动控制
控制器参数优化 - 机器人
结构优化和行为调节 - 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