人工智能-遺傳算法(編輯修改稿)
2025-03-09 12:49 本頁面
【文章內容簡介】 ic 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n 種群規(guī)模n 種群的大小，用染色體個數表示n 最大換代數n 種群更新換代的上限，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占全體染色體總數的比例n 取值范圍： n 變異率 Pmn 發(fā)生變異的基因位數占全體染色體的基因總位數的比例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 f(x)，給定種群規(guī)模 N，交叉率 Pc， 變異率 Pm，代數 Gen?步 2： 隨機產生 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 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染色體組成群體 S1步 6 ：按 Pc所決定的參加交叉的染色體數 c，從 S1中隨機確定 c個染色體，配對 進行交叉操作，并用產生的染色體代替原染色體，組成群體 S2步 7 ：按 Pm所決定的變異次數 m，從 S2中隨機確定 m個染色體，分別進行變異 操作，并用產生的新染色體代替原染色體，組成群體 S3步 8 ：將群體 S3作為新種群，即用 S3代替 S， Gen = Gen +1，轉步 3 流程圖 開始Gen=0編碼隨機產生 N個初始個體滿足終止條件 ?計算群體中各個體適應度從左至右依次執(zhí)行遺傳算子j = 0 j = 0 j = 0根據適應度選擇復制個體 選擇兩個交叉?zhèn)€體 選擇個體變異點執(zhí)行變異執(zhí)行交叉執(zhí)行復制將復制的個體添入新群體中將交叉后的兩個新個體添入新群體中將變異后的個體添入新群體中j = j+1 j = j+2 j = j+1 j = N? j = c? j = m?Gen=Gen+1輸出結果終止YNY YYN N Npcpm 基本實現技術n 編碼方法n 二進制編碼n 格雷編碼n 編碼規(guī)則n 應使用能易于產生與所求問題相關的且具有低階、短定義長度模式的編碼方案n 應使用能使問題得到自然表示或描述的具有最小編碼字符集的編碼方案 基本實現技術n 適應值函數n 適應值函數必須是正數n 出現負數時應進行變換，常用變換方式有三種：n 線性比例法： g(x) = a*f(x)+b (b0)n 指數比例法： g(x) = exp(a f(x)) (a?0)n 冪指數比例法： g(x) = (f(x))a (a為偶數 ) 算法舉例例 利用遺傳算法求
教學教案相關推薦
鄂ICP備17016276號-1