目录
今日任务:
- 遗传算法新方向
- 遗传算法特点与局限性
- 遗传算法的背景
- 掌握遗传算法的基本思想
遗传算法新方向
- 基于遗传算法的机器学习方法把遗传算法从基于离散搜索空间的优化搜索机制扩展到了具有独特规则生成功能的机器学习算法中。(这一新的学习机制给解决人工智能中知识获取和知识优化精炼等瓶颈带来了希望)
- 遗传算法正在同神经网络、模糊推理以及混沌理论等其他计算智能方法相互渗透与结合,这对开拓新的计算智能技术具有重要意义。
遗传算法特点与局限性
特点:
- 遗传算法是对问题解的编码组进行操作,而不是直接针对问题解本身。(遗传算法首先基于一个有限的字母表,把最优化问题的解编码为有限长度的字符串,通常为二进制字符串,然后随机生成n个字符串以组成初始种群,对初始种群中的字符串进行遗传操作以生成新种群,对新种群反复进行遗传操作,直至满足终止条件,此时最终种群中适应度最大的字符串对应的解即为最优解。)(遗传算法是对一个问题解的编码种群进行操作,这样提供的参数的信息量大、优化效果好)
- 遗传算法具有并行性,因此可通过大规模并行计算来提高计算速度
- 遗传算法的寻优规则是由概率决定的,而非确定的
- 遗传算法计算简单、功能强大
- 遗传算法具有可扩展性,便于同其他算法进行融合
- 遗传算法适用于大规模复杂问题的优化
- 遗传算法通过适应度函数来计算适应度值,而不需要其他辅助信息,即对问题依赖性较小。(遗传算法对适应度函数的唯一要求:编码必须与可行解空间对应,不能有死码)
局限性:
- 遗传算法效率低于传统算法
- 遗传算法容易出现局部收敛的情况
- 遗传算法在收敛精度、可信度、计算复杂性等方面缺乏有效的定量分析方法
- 编码的不规范性和不准确性
遗传算法的背景
- 通过模拟自然进化过程搜索出问题的近似最优解
- 遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法。它会利用编码技术生成染色体的数字串,并模拟由这些数字串组成的种群的进化过程。
- 在优化问题的求解过程中,遗传算法会把搜索空间视为遗传空间,把优化问题的每一个可能解看作一个染色体,所有染色体可组成一个种群。
遗传算法的基本思想
- 随机选择部分染色体组成初始种群
- 依据某种评价标准,即寻优准则(适应度函数),对种群中每个染色体进行评价,计算其适应度值。
- 淘汰适应度值小的染色体,保留适应度值大的染色体
- 借助遗传学的遗传算子进行组合交叉与变异,产生新的染色体组来构成新种群
⚠️:上述过程就像种群自然优化一样,当前的种群比上一代种群更能适应环境,种群会不断的进化直至达到预定的终止条件,末代种群中的最优个体经过解码,即可作为问题的近似最优解输出。