群智能优化算法：遗传算法

遗传算法

基本原理

遗传算法是建立在自然选择和群众遗传学机理基础上的随机，迭代，进化，具有广泛适应性的搜索算法。

算法步骤

1. 初始化种群
2. 计算中群上每个个体额适应度
3. 按由个体适应度值所决定的某个规则选择将进入下一代的个体。
4. 按概率$P_c$进行交叉操作
5. 按概率$P_m$进行编译操作
6. 若没有满足某种停止条件转入2，否则进行下一步
7. 输出种群中适应度最优的染色体作为问题的满意解或最优解

编码问题

编码是遗传算法要解决的重要问题。常用的有二进制编码，格雷编码，实数编码，符号编码等。

群体设定

遗传操作是对多个个体同时进行的，中多个个体组成了群体。群体规模，即群体中包括的个体数目如何确定。有两个要考虑的因素。a：初始群体的设定；首先根据问题固有知识，设法把握最优解所占空间在整个问题空间的分布范围，然后在分布范围内设定初始群体。然后先随机生成一定数目的个体，然后从中挑出最好的个体加到初始群体中。这种过程不断迭代，直到初始群体中数量达到了预先设定的值。b：进化过程各代的规模如何维持。

遗传操作

遗传操作包括三个基本遗传算子，交叉，变异，选择。这三个算子有一下特点：a，三个遗传算子的操作都是随机的。b，三个算子所取的概率，与编码方式，群体大小，初始群体以及适应度函数的函数的设定密切相关。c：三个算子的操作方法和个体的编码方式直接有关。

交叉运算

两个互配对的染色体按照某种方式互相交换部分基因，从而形成两个新的个体。交叉运算是遗传算法区别于其他进化算法的重要特征。它决定了遗传算法的全局搜索能力，是产生新个体的主要方法。常用的交叉算子有：a：单点交叉、b：双点交叉、c：均匀交叉

变异运算

将个体编码串中的某些基因值用其他基因值来替换，从而形成一个新的个体，遗传算法中的变异运算时产生新个体的辅助方法，但必不可少，因为它决定了遗传算法的局部搜索能力。常用的方法：a：基本为变异法，b：均匀变异法，c：二元变异法。

选择运算

适应度高的遗传到下一代的几率大，小的就小。它的任务是按照某种算法传到下一代群体。