各种类型网站建设,做平面还有什么素材网站,2022今天出京入京最新通知,网站开发需要什么基础文章目录为何采用遗传算法哪些问题适合用遗传算法解决遗传算法基本术语一般遗传算法的过程基本遗传算法的伪代码为何采用遗传算法
遗传算法是机器学习的子集。在实践中#xff0c;遗传算法通常不是用来解决单一的、特定问题的最好算法。对任何一个问题#xff0c;几乎总有更…
文章目录为何采用遗传算法哪些问题适合用遗传算法解决遗传算法基本术语一般遗传算法的过程基本遗传算法的伪代码为何采用遗传算法
遗传算法是机器学习的子集。在实践中遗传算法通常不是用来解决单一的、特定问题的最好算法。对任何一个问题几乎总有更好的、更有针对性的解决方案那么何必麻烦呢
遗传算法是一个极好的多用途工具可以应用于许多不同类型的问题。这是瑞士军刀与合适的螺丝刀之间的差异。如果任务是拧紧300颗螺丝你会跳起来找螺丝刀。但如果任务是拧几颗螺丝、割开一些布、在皮革上打一个孔然后打开一瓶冰苏打水奖励自己的努力工作那么瑞士军刀是更好的选择。
此外遗传算法是整体研究机器学习的不错入门。如果机器学习是一座冰山遗传算法就是尖端的一部分。遗传算法有趣、令人兴奋且充满创新。遗传算法的模型基于自然生物过程建立了计算世界和自然世界之间的连接。编写第一个遗传算法观看从混乱和随机中出现的惊人结果让人叹为观止。
机器学习冰山顶端的其他研究领域也同样令人兴奋但它们往往关注的问题更狭窄更难以理解。遗传算法则不然它很容易理解是有趣的实现它们引入了所有机器学习技术都会使用的许多概念。
哪些问题适合用遗传算法解决
下面是一个问题特征列表这类问题是采用遗传算法的良好候选者
如果问题足够困难难以写代码来解决如果人不知道如何解决这个问题如果问题是不断变化的如果搜索每个可能解是不可行的如果可以接受“足够好”的解。
遗传算法基本术语
遗传算法建立在生物进化的概念上的。
种群这就是一个候选解个体集合可以有变异和交叉这样的遗传操作应用于它们。候选解个体给定问题的一个可能的解。基因组成染色体的不可分割的构建块。经典的基因包含0或1。染色体染色体是一串基因。染色体定义了一个特定的候选解个体。用二进制编码一个典型的染色体可能包含“01101011”这样的内容。变异一个过程其中候选解中的基因被随机改变以创建新的性状。交叉其中染色体被组合以创建新的候选解决方案的方法。这有时称为重组。选择这是选择的候选解繁殖下一代解的技术。适应度一个评分衡量候选解适合给定问题的程度。
一般遗传算法的过程 遗传算法开始初始化候选解个体的种群。这通常是随机提供整个搜索空间的均匀覆盖。涉及参数有种群规模。接下来通过为种群中的每个个体分配一个适应度值对种群进行评估。在这个阶段常常要注意当前最优解以及种群的平均适应度。评估后根据终止条件集该算法决定它是否应该终止搜索。通常这是因为该算法已达到指定的世代数量或已经找到适当的解。 如果终止条件最终满足算法会跳出循环通常向用户返回最后的搜索结果。一些典型的终止条件是 到达世代的最大数目;超过分配给它的时间;发现一个满足所需条件的解;该算法已经达到了一个稳定阶段。 如果终止条件不满足种群经过一个选择阶段基于适应度评分从种群中选择个体。适应度越高个体就更有机会被选择。选择目的为下一步“交叉和变异”作准备。选择方法有 轮盘赌选择也称为适应度比例选择。个体的适应度越高在轮盘上占据的空间就越多也就是选中的概率越大。参考第2章锦标赛选择。随机从种群中选择一些个体进入锦标赛。以通过比较这些个体的适应度值来竞争然后选择适应度最高的个体作为亲代。参考第3章 下一阶段对选择的个体应用交叉和变异。这个阶段为下一代创建新个体。如果是种群中的精英种群中适应度最靠前的一小部分个体直接跳过进入下一代。涉及参数有交叉率、变异率。交叉和变异后确保仍然得到一个有效解合格的个体。 交叉方法有 均匀交叉uniform crossover。后代的每个基因都有50%的机会来自第一个亲代或其第二个亲代。参考第2章单点交叉。随机选择基因组中的一个位置确定哪些基因来自于哪个亲代。交叉位置之前的遗传信息来自于亲代1之后的遗传信息来自于亲代2。参考第3章排序交叉。在这种交叉方法中第一个亲代染色体的一个子集被选中。然后该子集被添加到后代染色体的相同位置。下一步是将第二个亲代的遗传信息添加到后代的染色体中。通常从所选子集的结束位置开始然后包括亲代2的每个基因只要后代染色体中还没有该基因。参考第4章 此时新种群返回到评估步骤步骤2过程重新开始。我们称这种循环的每一圈为一个世代。
基本遗传算法的伪代码
generation 0;
population[generation] initializePopulation(populationSize);
evaluatePopulation(population[generation]);
while isTerminationConditionMet() false doparents selectParents(population[generation]);population[generation1] crossover(parents);population[generation1] mutate(population[generation1]);evaluatePopulation(population[generation]);generation;
End loop;
