人工智能概论知识要点（五）

遗传算法

5.1基本思想

(1）把问题的解表示成染色体，在第法中即是以一定方式编码的串；
(2)在执行遗传算法之前,给出一群染色体,即一组候选解(种群)；
(3)把这些假设解置于问题的环境中，并按适者生存的原则从中选择出比较适应环境的染色体进行复制，再通过交叉、变异过程产主更适应环境的新一代“染色体“群。

如此一代一代进化最后会收敛到最适应环境的一个染色体上它就是求解到的最优解。

5.2算法的组成部分

1编码机制
2种群初始化
3适应度函数
4遗传算子(选择交叉变异)

5.3编码机制

用遗传算法解决问题时，首先要对待解决问题的模型结构和参数进行编码。
GA中编码方法:二进制编码、浮点数编码方法、格雷码编码、符号编码，

5.3.1二进制编码

它所构成的个体基因型是一个由0或1组成的编码串。二进制编码符号串的长度L与问题所要求的求解精度有关。

5.4种群初始化

5.5适应度逐数

用来评估个体优劣的标准，适应度越大的个体越优

5.6选择

选择进入到后续繁殖环节的父代个体过程。选择方法:轮盘赌选择。
轮盘赌选择
依据个体的适应度值计算每个体在下一代中出现的概率，并按照此概率随机选择个体构成子代种群。

5.7交又操作

选中的两个父代个体交换某些基因形成子代个体的过程。
(1)交叉概率Pc:在种群中个体被选择出进行交叉的概率
(2)交叉方式:单点交叉、两点交叉、多点交义、均匀交叉
单点交叉:随机产生一个有效的交叉位置，染色体交换位于该交叉位置后的所有基因。

5.8变异操作

编码按小概率扰动产生的变化，类似于基因突变；
变异概率Pn :控制算法中变异操作的使用频率。

5.9停机准则

(1)设置最大进化代数
(2)设置最优解的精度
(3)种群中最优个体的适应度值/或种群平均适应度连续几代未变
(4)设置最大函数值评估次数。