遗传算法原理 遗传算法原理与应用实例

遗传算法(Genetic Algorithm)，遗传算法是受达尔文进化论的启发，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是借鉴生物进化过程而提出的一种启发式搜索算法。

进化论知识

作为遗传算法生物背景的介绍：

种群：生物的进化以群体的形式进行，这样的一个群体称为种群。

个体：组成种群的单个生物。

基因：一个遗传因子。

染色体：包含一组的基因。

生存竞争，适者生存：对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。

遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率会发生基因变异。

简单说来就是：繁殖过程，会发生基因交叉，基因突变，适应度低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

算法思想

借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。

遗传算法解决"0-1背包问题"的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）。

首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；接着，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。这样经过G代的进化后就可能会产生出0-1背包问题的一个"近似最优解"。

遗传算法基本操作

选择

选择一些染色体来产生下一代，一种常用的选择策略是"比例选择"，就是所谓的"轮盘赌算法"。即个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + …….. + f(Xn))。

交叉

两条染色体交换部分基因，来构造下一代的2条新的染色体。

变异

在繁殖过程，新产生的染色体中的基因会以一定的概率出错，称为变异。

适应度函数

用于评价某个染色体的适应度，用f(x)表示。有时需要区分染色体的适应度函数与问题的目标函数。例如：0-1背包问题的目标函数是所取得物品价值，但将物品价值作为染色体的适应度函数可能并不一定适合。适应度函数与目标函数是正相关的，可对目标函数作一些变形来得到适应度函数。

算法特点

遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为：

1、首先组成一组候选解。

2、依据某些适应性条件测算这些候选解的适应度。

3、根据适应度保留某些候选解，放弃其他候选解。

4、对保留的候选解进行某些操作，生成新的候选解。

遗传算法步骤：

开始循环直至找到满意的解。

1.评估每条染色体所对应个体的适应度。

2.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。

3.抽取父母双方的染色体，进行交叉，产生子代。

4.对子代的染色体进行变异。

5.重复2，3，4步骤，直到新种群的产生。

结束循环。

在遗传算法中，将几个特征以一种特殊的方式进行组合，基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作，使用特殊的组合方式将遗传算法与其它搜索算法区别开来。