最佳適應演算法遺傳學演算法

遺傳演算法(genetic algorithm, ga)是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種通過模擬自然進化過程搜尋最優解的方法。遺傳演算法以一種群體中的所有個體為物件，並利用隨機化技術指導對乙個被編碼的引數空間進行高效搜尋。

遺傳演算法基本思想

核心是達爾文優勝劣汰適者生存的進化理論的思想。假設乙個種群，通過長時間的繁衍，種群的基因會向著更適應環境的趨勢進化，適應性強的個體基因被保留，後代越來越多，適應能力低個體的基因被淘汰，後代越來越少。經過幾代的繁衍進化，留下來的少數個體，就是相對能力最強的個體了。

1、初始化

先初始化一堆染色體，也就是一組編碼，常見的編碼方式有二進位制、浮點數編碼。

2、適應度函式

根據要達成的目標進行乙個適應度排序(比如求要求乙個函式的最小值，那麼染色體所代表的資料越小，適應度越高)，適應度決定了下乙個階段--選擇中它們被使用的概率。

3、選擇

一種比較常見的選擇方法是使用輪盤選擇法，根據適應度算出每條染色體在輪盤上所佔的面積(百分比)，根據這個比例隨機選取要操作的兩個親本染色體。

4、交叉

兩個染色體各選取長度相等的一部分進行交換，得到兩個新的染色體，當然交叉的發生是有一定概率的，這個概率是可以設定的。

5、變異

一條染色體的某一位發生變異，如0->1或1->0，變異的概率也是可以設定的。

6、對新生成的染色體和原有的染色體進行適應度評估，剔除適應度較小的染色體，如果不符合終止條件，則跳轉至步驟3，這裡的終止條件是達到了預定的遺傳次數，也就是適應度達到了要求。

遺傳演算法的特點

1、ga是對問題引數的編碼組進行計算，而不是針對引數本身。

2、ga的搜尋是從問題解的編碼組開始搜素、而不是從單個解開始。

3、ga使用目標函式值(適應度)這一資訊進行搜尋，而不需導數等其他資訊。

4、ga演算法使用的選擇、交叉、變異這三個運算元都是隨機操作，而不是確定規則。

遺傳演算法的優點

1、與問題領域無關且快速隨機的全域性搜尋能力。

2、搜尋從群體出發，具有潛在的並行性，魯棒性高。

3、搜尋使用評價函式啟發，過程簡單。

4、使用概率機制進行迭代，具有隨機性。

5、具有可擴充套件性，容易與其他演算法結合。

6、具有極強的容錯能力。

遺傳演算法的缺點

遺傳演算法的程式設計實現比較複雜，對初始種群的選擇有一定的依賴性，且區域性搜尋能力較差，導致單純的遺傳演算法比較費時。在進化後期搜尋效率較低。在實際應用中，遺傳演算法容易產生過早收斂的問題，採用何種選擇方法既要使優良個體得以保留，又要維持群體的多樣性，一直是遺傳演算法中較難解決的問題。

遺傳演算法的應用

揹包問題(knapsack problem)是一種組合優化的np完全問題。問題可以描述為：給定一組物品，每種物品都有自己的重量和**，在限定的總重量內，我們如何選擇，才能使得物品的總**最高。問題的名稱**於如何選擇最合適的物品放置於給定揹包中。

最佳適應演算法 遺傳學演算法