人工智能---遺傳算法37(文件)
【正文】 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 改變染色體某個 /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 Geic Algorithm）n 其它的 “ GA類 ” 算法稱為 GAs(Geic Algorithms） ,可以把 GA看作是 GAs的一種特例 基本遺傳算法參數(shù)n 種群規(guī)模n 種群的大小，用染色體個數(shù)表示n 最大換代數(shù)n 種群更新?lián)Q代的上限，也是算法終止一個條件n 交叉率 Pcn 參加交叉運算的染色體個數(shù)占全體染色體總數(shù)的比例n 取值范圍： n 變異率 Pmn 發(fā)生變異的基因位數(shù)占全體染色體的基因總位數(shù)的比例n 取值范圍： n 染色體編碼n 長度 L 基本遺傳算法算法 步 1 ：在論域空間 U上定義一個適應度函數(shù) f(x)，給定種群規(guī)模 N，交叉率 Pc， 變異率 Pm，代數(shù) Gen?步 2： 隨機產(chǎn)生 U中的 N個染色體 s1,s2…s N, 組成初始種群 S={s1,s2…s N}，置代 數(shù) t=1步 3：若終止條件滿足，則取 S中適應度最大的染色體作為所求結果，算法結束步 4：計算 S中每個染色體的適應度 f()步 5： 按選擇概率 p(si)所決定的選中機會，每次從 S中隨機選中 1個染色體并將 其復制，共做 N次，然后將復制得到的 N染色體組成
化學相關推薦
鄂ICP備17016276號-1