• 欢迎访问交通人网站!
  • 分享一款小游戏:信任的进化
  •    发表于7年前 (2016-01-11)  数据挖掘 |   抢沙发  553 
    文章评分 0 次,平均分 0.0

    遗传算法 ( GA , Genetic Algorithm ) ,也称进化算法,是受达尔文的进化论的启发,借鉴生物进化过程而提出的一种启发式搜索算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。

    一、进化论知识

    作为遗传算法生物背景的介绍,下面内容了解即可:

    种群(Population):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 ( Gene ) :一个遗传因子。

    染色体 ( Chromosome ) :包含一组的基因。

    生存竞争,适者生存:对环境适应度高的、牛B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,同时有一定的概率发生基因变异。

    简单说来就是:繁殖过程,会发生基因交叉(Crossover) ,基因突变 (Mutation) ,适应度(Fitness)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。

    二、遗传算法思想

    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。这样进化N代后就很有可能会进化出适应度函数值很高的个体。

    举个例子,使用遗传算法解决“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;然后,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”。

    编码

    需要将问题的解编码成字符串的形式才能使用遗传算法。最简单的一种编码方式是二进制编码,即将问题的解编码成二进制位数组的形式。例如,问题的解是整数,那么可以将其编码成二进制位数组的形式。将0-1字符串作为0-1背包问题的解就属于二进制编码。

    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”,也就是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\(N\),那么那么一个体\(x_i\)被选中的概率为:

    \[P(x_i)=\frac{f(x_i)}{f(x_1)+f(x_2)+...+f(x_N)}=\frac{f(x_i)}{\sum _{k=1}^{N}{f(x_k)}}\]

    比例选择实现算法就是所谓的“轮盘赌算法”( Roulette Wheel Selection ) 。

    遗传算法入门

    交叉(Crossover)

    2条染色体交换部分基因,来构造下一代的2条新的染色体。最常见的是k-opt 交换,其中k可以是 1,2,3….等等。简称单点交换,两点交换,3点交换等等。例如下面为两点交换:

    交叉前:

    00000|011100000000|10000

    11100|000001111110|00101

    交叉后:

    00000|000001111110|10000

    11100|011100000000|00101

    染色体交叉是以一定的概率发生的,这个概率记为Pc 。

    变异(Mutation)

    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。从计算机算法角度看:所有的启发式算法无外乎2种手段结合,局域搜索和全域搜索。局域搜索是在邻域范围内找出最优解,对应的是选择算子和交叉算子。如果只有局域搜索的话,就容易陷入局域最优解。算法结果肯定是要找出全域最优解,这就要求跳出局域搜索,就是一次打破常规的突破——就是我们的“变异”算子。变异发生的概率记为Pm 。

    内变异:所谓内变异就是在自己内部发生变异。严格来说其实不是一种变异。但是它又是一种比较有效的手段;

    外变异:外变异是引入创新,突破传统的质的飞跃, 也是启发算法中所谓的全域搜索。下面是充当前基因中引入外部基因(当前集合的补集)。

    例如:

    变异前:

    000001110000000010000

    变异后:

    000001110000100010000

    适应度函数 ( Fitness Function )

    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。

    三、基本遗传算法的伪代码

    四、基本遗传算法优化

    下面的方法可优化遗传算法的性能。

    精英主义(Elitist Strategy)选择

    精英主义(Elitist Strategy)选择是基本遗传算法的一种优化。为了防止进化过程中产生的最优解被交叉和变异所破坏,可以将每一代中的最优解原封不动的复制到下一代中。

    插入操作

    可在3个基本操作的基础上增加一个插入操作。插入操作将染色体中的某个随机的片段移位到另一个随机的位置。

    参考:

    1.博客园·苍梧:遗传算法入门

    2.Chinaunix博客·饶超勋:遗传算法(Genetic Algorithm)

    打赏
    微信
    支付宝
    微信二维码图片

    微信 扫描二维码打赏

    支付宝二维码图片

    支付宝 扫描二维码打赏

     

    除特别注明外,本站所有文章均为交通人原创,转载请注明出处来自http://www.hijtr.com/a-brief-introduction-to-genetic-algorithm/

    交通人博客是交通人工作室(JTR Studio)建立的交通人系列网站之一,是交通人工作室的主阵地,旨在整合和分享交通行业相关资讯,具体包括但不限于行业新闻、行业动态,以及行业相关规范、书籍、报告和软件等资源。

    发表评论

    表情 格式

    *

    暂无评论

    
    切换注册

    登录

    忘记密码 ?

    切换登录

    注册

    扫一扫二维码分享