遗传算法在组卷中的应用遗传算法代码 _小知识

遗传算法代码(遗传算法在组卷中的应用) 。
最近看了之前的项目，是关于用遗传算法实现智能组卷的。所以这次，我将分享遗传算法的基本原理及其在实际场景中的应用。
"揭开算法的神秘面纱”
在学习计算机相关知识的时候，我们必然会遇到算法的学习。我的大学老师说计算机中最有价值的东西是算法。当时好迷惑，跟着小伙伴跟着数据结构一起刷入门算法题。以学习算法为目标的同学一定程度上听说过蓝桥杯、ACM等比赛，但相当一部分人并不了解算法的真正应用，所以很迷茫，甚至觉得自己只是来刷算法题参加比赛的。对于算法的学习，要多做规划，了解算法的实际应用场景，学会如何将常见的题库算法应用到实际场景中，这样才能在算法学习的道路上走得更远。
【遗传算法在组卷中的应用遗传算法代码】"遗传算法的基本原理”
在自然界中，人类和动物的进化一般都是朝着好的方向发展的，这叫进化，遗传算法就是基于这一特点而设计的。换句话说，遗传算法是一种基于达尔文进化论的算法，利用计算机模拟自然选择、适者生存、遗传变异，不断选择优秀个体。自然界中，生物进化的主要过程包括染色体选择、变异、交叉等。通过这些操作，可以基本保证下面的个体基本上是最优的。毕竟只有适应环境的个体才能生存。因此，只要我们继续按照遗传的原则进化，原则上就总能保持最优。因此，遗传算法是在一定场景下求解最优解的算法。
例如，对于动物和植物来说，外观很大程度上是由它们染色体中的基因决定的。我们可以类似地构建一个模型，将动植物比作由50个方块组成的个体，换句话说，它是由这50个立方体的属性和状态决定的，所以这些立方体可以看作是单个的基因或染色体。对于单个动植物来说，繁殖是产生新基因的主要途径。在计算机中，我们用算法模拟这个过程，选择两个原始个体，从两个个体的100个基因中选择50个基因，或者杂交形成新的基因。还需要定义一个函数来判断个体当时是否满足条件，即个体是否满足环境条件。这就是健身功能。
现实自然界中群体进化的影响因素很多，但在算法的设计上，并不一定要面面俱到，而只是一个模拟的过程，可以保证优胜劣汰。在算法的进化和淘汰过程中，种群数量在种群进化前后会始终保持不变，更方便我们的计算。进化的目的是让适应条件的个体存在更久，从而模拟适者生存的方式。
在自然界中，种群的进化是永无止境的，但算法不能这样设计。需要根据需要解决的问题，设置合理的结束条件。如果满足其中一个条件，将输出当前的最佳结果，并终止程序。最常见的终止条件是设置进化次数的上限。在实际算法中，当由于客观条件无法达到既定的适应度或者适应度没有明显变化时，应考虑终止算法的运行。如果进化次数上限设置为200，则满足设置条件的个体将被终止，或者达到进化资源网络上限的个体将输出当前最优个体。基于这种思想，在定义了个体属性和繁殖、适应、变异等相关函数，并设置了终止条件后，就可以定义一个数量相对合适的种群，让它不断进化繁殖，最终会得到一个相对合适的结果。
用Java代码实现的遗传算法的主要部分如下:

文章插图
图1基本参数设置代码。

文章插图
图2种群进化代码。

文章插图
图3基因交叉的代码。

文章插图
图5选择更好的个人来实现代码。
这个资源网络的总体思路是:定义期望基因序列，使用一个包含64位字符的数组，同时初始化种群，定义一个包含50个包含64位随机序列的个体的种群，初始化个体适应度，将个体随机生成的序列与期望序列进行比较，得到个体适应度。适合度的计算根据不同的终止条件而不同。种群初始化后，会继续进化，模拟自然界的进化，直到找到符合条件的个体或者在进化上限选出最接近期望的个体。具体操作是利用定义的淘汰数组选择两个优秀个体，交叉它们，随机产生后代，用资源创建新的种群。然后根据之前定义的变异概率，种群会发生概率变异，因为这里的个体是01数组，变异方式是随机生成0或1 。手术后，种群完成了第一次进化。种群迭代进化，直到条件满足，退出终止。