非常好的理解遗传算法的例子
为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各个主要执行步骤。
例：求下述二元函数的最大值：
1. 个体编码
遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种符号串。本题中，用无符号二进制整数来表示。因 x1, x2 为 0 ~ 7 之间的整数，所以分别用 3 位无符号二进制整数来表示，将它们连接在一起所组成的 6 位无符号二进制数就形成了个体的基因型，表示一个可行解。
例如，基因型 X=101110 所对应的表现型是：x=[5，6]。个体的表现型 x 和基因型 X 之间可通过编码和解码程序相互转换。
2. 初始群体的产生
遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。本例中，群体规模的大小取为 4，即群体由 4 个个体组成，每个个体可通过随机方法产生。
如：011101，101011，011100，111001
3. 适应度汁算
遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接利用目标函数值作为个体的适应度。
4. 选择运算
选择运算（或称为复制运算）把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。
本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：
• 先计算出群体中所有个体的适应度的总和 fi (i=1.2,……,M);
• 其次计算出每个个体的相对适应度的大小 fi / fi，它即为每个个体被遗传
到下一代群体中的概率，
• 每个概率值组成一个区域，全部概率值之和为 1；
• 最后再产生一个 0 到 1 之间的随机数，依据该随机数出现在上述哪一个概率区
域内来确定各个个体被选中的次数。
- 分享于 · 2017.12.19 15:41 · 阅读 · 2157
[版权声明] ：本文系网友分享，仅以非商业性的交流和科研为目的，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网（ friends@stuch.cn ）联系！我们将协调给予处理。转载授权码：确权中，请原作者尽快与我们取得联系，阅读原文(请登录)..
