人工智能---遺傳算法37-文庫吧
2025-02-09 12:31 本頁面
【正文】 n 個體選擇方法n 輪盤賭選擇 (roulette wheel selection)n 隨機遍歷抽樣 (stochastic universal sampling)n 局部選擇 (local selection)n 截斷選擇 (truncation selection)n 錦標賽選擇 (tournament selection) 按比例的適應度計算算法： 對一個規(guī)模為 N的種群 S，按每個染色體 xi?S的選擇概率P(xi)所決定的選中機會，分 N次從 S中隨機選擇 N個染色體，并進行復制 其中：n f為適應度函數(shù) n f(xi)為 xi的適應度優(yōu)勝劣汰1. 概率越高，隨機選中概率越大2. 概率越高，選中次數(shù)越多3. 適應度高的染色體后代越多 輪盤賭選擇原理：n 做一個單位圓，然后按各個染色體的選擇概率將圓面劃分為相應的扇形區(qū)域n 轉(zhuǎn)動輪盤，輪盤靜止時指針指向某一扇區(qū)，即為選中扇區(qū)，相應的個體 /染色體即被選中 輪盤賭選擇算法：n 在 [0, 1]區(qū)間，產(chǎn)生一個均勻分布的偽隨機數(shù) rn 若 r?q1，則染色體 1被選中n 若 qk1 r?qk(2 ?k?N)，則染色體 k被選中其中n qi為染色體 xi(i=1, 2, …, n) 的累積概率n 一個染色體 xi被選中的次數(shù)，可由期望值 e(xi)來確定 為種群 S中全體染色體的平均適應度 交叉算子交叉算子n 交換、交配、雜交n 互換兩個染色體某些位上的基因n 隨機化算子，生成新個體 交叉算子n 一點雜交n 產(chǎn)生一個在 1到 L－ 1之間的隨機數(shù) In 配對的兩個串相互對應的交換從 i＋ 1到 L的位段 交叉算子例 設染色體 s1 = 1011 0111 00 染色體 s2 = 0001 1100 11 交換其后 2位基因s1: 1011 0111 00 s1’： 1011 0111 11s2： 0001 1100 11 s2’： 0001 1100 00單點交叉 變異算子變異算子n 突變n 改變?nèi)旧w某個 /些位上的基因n 隨機化算子，生成新個體n 次要算子，但在恢復群體中失去的多樣性方面具有潛在的作用 變異算子例 設染色體 s = 1011 0111 00 s1: 1011 0111 00 s1’： 1011 0110 00二進制變異 基本遺傳算法遺傳算法n 對種群中的染色體反復做三種遺傳操作n 使其朝著適應度增高的方向不斷更新?lián)Q代，直至出現(xiàn)了適應度滿足目標條件的染色體為止算法拓展n 遺傳算法在自然與社會現(xiàn)象模擬、工程計算等方面得到了廣泛的應用n 基本遺傳算法是 Holland提出的一種統(tǒng)一的最基本的遺傳算法，簡稱 SGA（ Simple Geic Algorithm )、CGA（ Canonical Ge
化學相關推薦
鄂ICP備17016276號-1