遗传算法的改进

目录

改进的途径：

CHC算法：

自适应遗传算法：

遗传算法步骤：

改进的途径：

1、改变遗传算法的组成成分

2、采用混合遗传算法

3、采用动态自适应技术

4、采用非标准的遗传操作算子

5、采用并行遗传算法等

CHC算法：

C：跨代精英选择策略（父代和子代的精英基因即最优基因合并，然后去选择合并后那堆里面最好的。选出的精英直接保留下来，不需要轮盘赌等等）

H：异物种重组（不同物种之间基因交叉融合，希望增加种群的多样性“混血儿”）

C：大变异（让变异的概率覆盖面大一点，传统0.1左右变异概率有时候很难找到最优解）

自适应遗传算法：

随着搜索进程的推进，概率不断改进，不断变化

交叉概率Pc越大，新个体产生的速度越快。但过大会使优秀个体的结构很快被破坏；Pc过小，搜索过程缓慢，以至于停滞不前。

变异概率Pm过小，不易产生新个体结构；Pm过大，变成纯粹的随机搜索。没达到最优解，停滞不前的时候，可以适当调整一下。

思想：区别对待，画一条平均线。好的个体优待一下，交叉概率大一点。

注意：自适应适用于进化后期，不适于进化前期，因为前期的优秀个体有可能是局部最优点；

小生境：在自然界中，往往特征、性状相似的物种相聚在一起，并在同类中交配繁衍后代。

NGA：将每一代个体划分为若干类，每类选出个体组成一个种群。

共享机制：共享函数的值越大，表明个体之间越相似。

遗传算法步骤：

1、编码：如TSP问题中，直接采用解的表示形式，有30个城市，就定义编码长度为30位，每位编码代表所经过的城市序号，无重复。

2、适应度函数：如路径距离

3、选择方法：如轮盘赌

4、交叉：如有序交叉法（随机选择两个交叉点，两个父个体交换两个交叉点的中间部分）

5、变异：如两点变异（随机选择同一个个体的两个点进行交换）

6、定义初始参数：交叉概率，变异概率，终止迭代次数