• 变异
– 概率变异
7>1.5 => 选择2作为父代
交叉算子： • 单点交叉/两点交叉/多点交叉：
交叉算子： • 单点交叉/两点交叉/多点交叉：
范围[0，8]，步长取2，可能的变异值：0，2，4，6，8，取 到每个变异值的概率相同
范围[0，8]，根据高斯分布取 可能的变异值，取值概率符 合正态分布
遗传算法简介
主讲人：
目录
1. 背景简介……………遗传算法的生物学背景 2. 算法原理……………算法流程及算子的介绍 3. 算法评价……………优缺点及适用性评估
Байду номын сангаас
背景简介
遗传算法的生物学原理：
• 适者生存原则 • 自然选择 • 遗传和变异 • 种群演化
• NP问题：一个问题的单个解可以在有限时 间内被验证。
• 适用于灰箱/黑箱问题 • 潜在并行性 • 适应度函数评价，计算复杂度小 • 收敛性强 • 具有可扩展性，易与其他算法结合
• 收敛性/早熟的预防 • 遗传算子的设计 • 遗传算子的自适应设计 • 并行化研究
感谢倾听
• 确定个体：对问题进行编码
浮点数编码：真值编码 二进制编码：解空间映射到二进制序列
• 确定种群：
确定种群数量上限（20~100） 加入随机的个体 交叉/变异概率
基本算法原理
基本算法原理
种群世代更替： • 选择
– 根据适应度进行排序 – 概率选择函数/精英机制
• 交叉
– 对选择的结果进行交叉操作 – 概率交换部分序列生成新序列
• 具体适用于诸多领域如函数优化、组合优 化、生产调度、自动控制、机器学习、图 像处理、人工生命、遗传编程、机器学习、 数据挖掘等。均有很好的表现。
一般流程：
1.初始化人工种群 种群>个体>染色体>基因
2.计算个体的适应度 3.进行选择，交叉，变异等操作 4.迭代2，3步，直到满足停止规则
初始化人工种群：