优化算法之手推遗传算法(Genetic Algorithm)的详细步骤图解
遗传算法可以做什么?
遗传算法是元启发式算法之一。它有与达尔文理论(1859 年发表)的自然演化相似的机制。如果你问我什么是元启发式算法,我们最好谈谈启发式算法的区别。
启发式和元启发式都是优化的主要子领域,它们都是用迭代方法寻找一组解的过程。启发式算法是一种局部搜索方法,它只能处理特定的问题,不能用于广义问题。而元启发式是一个全局搜索解决方案,该方法可以用于一般性问题,但是遗传算法在许多问题中还是被视为黑盒。
那么,遗传算法能做什么呢?和其他优化算法一样,它会根据目标函数、约束条件和初始解给我们一组解。
最优局部解与最优全局解
遗传算法是如何工作的?
遗传算法有5个主要任务,直到找到最终的解决方案。它们如下。
- 初始化
- 适应度函数计算
- 选择
- 交叉
- 突变
定以我们的问题
我们将使用以下等式作为遗传算法的示例。它有 5 个变量和约束,其中 X1、X2、X3、X4 和 X5 是非负整数且小于 10(0、1、2、4、5、6、7、8、9)。使用遗传算法,我们将尝试找到 X1、X2、X3、X4 和 X5 的最优解。
将上面的方程转化为目标函数。遗传算法将尝试最小化以下函数以获得 X1、X2、X3、X4 和 X5 的解决方案。
由于目标函数中有 5 个变量,因此染色体将由 5 个基因组成,如下所示。
初始化
在初始化时,确定每一代的染色体数。在这种情况下,染色体的数量是 5。因此,每个染色体有 5 个基因,在整个种群中总共有 25 个基因。使用 0 到 9 之间的随机数生成基因。
在算法中:一条染色体由几个基因组成。一组染色体称为种群
下图是第一代的染色体。
适应度函数计算
它也被称为评估。在这一步中,评估先前初始化中的染色体。对于上面示例,使用以下的计算方式。
这是第一代种群中的第一个染色体。
完整文章:
https://www.overfit.cn/post/163b199a59154a058a3b4293f33b124b