遗传算法的基本概念和实现遗传算法 _小知识

遗传算法（遗传算法的根本概念和实现）基因遗传算法是一种灵感源于达尔文自然进化理论的启示式搜索算法。该算法反应了自然选择的进程，即最适者被选定滋生，并发生下一代。本文扼要地介绍了遗传算法的根本概念和实现，愿望能为读者展现启示式搜索的魅力。

文章插图
遗传算法（遗传算法的根本概念和实现）
遗传算法的概念
自然选择的进程从选择群体中最适应环境的个体开端。后代继承了父母的特征，并且这些特征将添资源网加到下一代中。如果父母具有更好的适应性，那么它们的后代将更易于存活。迭代地进行该自然选择的进程，最终，我们将得到由最适应环境的个体组成的一代。
这一概念可以被运用于搜索问题中。我们斟酌一个问题的诸多解决计划，并从中搜寻出最佳计划。
遗传算法含以下五步：
初始化
个体评价（盘算适应度函数）
选择运算
交叉运算
变异运算
初始化
该进程从种群的一组个体开端，且每一个体都是待解决问题的一个候选解。
个体以一组参数（变量）为特点，这些特点被称为基因，串联这些基因就可以组成染色体（问题的解）。
在遗传算法中，单个个体的基因组以字符串的方法出现，通常我们可以应用二进制（1 和 0 的字符串）编码，即一个二进制串代表一条染色体串。因此可以说我们将基因串或候选解的特点编码在染色体中。
遗传算法的根本概念和实现（附Java实现案例）
种群、染色体和基因
个体评价（盘算适应度函数）
个体评价应用适应度函数评估了该个体对环境的适应度（与其它个体竞争的才能）。每一个体都有适应度评分，个体被选中进行滋生的可能性取决于其适应度评分。适应度函数值越大，解的质量就越高。适应度函数是遗传算法进化的驱动力，也是进行自然选择的唯一尺度，资源网它的设计应联合求解问题本身的请求而定。
选择运算
选择运算的目标是选出适应性最好的个体，并使它们将基因传到下一代中。基于其适应度评分，我们选择多对较优个体（父母）。适应度高的个体更易被选中滋生，即将较优父母的基因传递到下一代。
交叉运算
交叉运算是遗传算法中最主要的阶段。对每一对配对的父母，基因都存在随机选中的交叉点。
举个例子，下图的交叉点为 3：

文章插图
父母间在交叉点之前交流基因，从而发生了后代。遗传算法的根本概念和实现（附Java实现案例）
父母间交流基因，然后发生的新后代被添加到种群中。
遗传算法的根本概念和实现（附Java实现案例）
变异运算
在某些形成的新后代中，它们的某些基因可能受到低概率变异因子的作用。这意味着二进制位串中的某些位可能会翻转。

文章插图
变异运算前后变异运算可用于坚持种群内的多样性，并防止过早收敛。
资源网终止
在群体收敛的情形下（群体内不发生与前一代差别较大的后代）该算法终止。也就是说遗传算法供给了一组问题的解。
案例实现
种群的范围恒定。新一代形成时，适应度最差的个体凋亡，为后代留出空间。这些阶段的序列被不断反复，以发生优于先前的新一代。
这一迭代进程的伪代码：
START
Java 中的实例实现
以下展现的是遗传算法在 Java 中的示例实现，我们可以随便调试和修正这些代码。给定一组五个基因，每一个基因可以保留一个二进制值 0 或 1 。这里的适应度是基因组中 1 的数目。如果基因组内共有五个 1，则该个体适应度到达最大值。如果基因组内没有 1，那么个体的适应度到达最小值。该遗传算法愿望最大化适应度，并供给适应度到达最大的个体所组成的群体。注意：本例中，在交叉运算与突变运算之后，适应度最低的个体被新的，适应度最高的后代所替代。
【遗传算法的基本概念和实现遗传算法】