遗传算法学习笔记

关键词

染色体 chromosome
脱氧核糖核酸 deoxyribonucleic acid DNA
核糖核酸 ribonucleic aicd RNA
遗传因子 gene
遗传子型 genotype
表现型 phenotype
基因座 locus
个体 individual
种群 population
进化 evolution
适应度 fitness
选择 selection
复制 reproduction
交叉 crossover
变异 mutation
编码 coding
解码 decoding

设计和选择编码方法指南，9个特性
完全性 completeness
封闭性 closure
紧致性 compactness
可扩展性 scalability
多重性 multiplicity
个体可塑性 flexibility
模块性 modularity
冗余性 redundancy
复杂性 complexity

满意特性 完全性 可测性和复杂性

遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数fitness function为依据，
利用种群中每个个体的适应度值来进行搜索。因此fitness function选取直接影响到遗传
算法的收敛速度以及能否找到最优解。适应度函数设计不当有可能造成遗传算法的欺骗性
问题。

适应度函数的设计主要满足

1、单值、连续、非负、最大化
2、合理、一致性
3、计算量小
4、通用性强 可选

适应度函数的尺度变换包括
1、线性变换
2、幂函数变换
3、指数变换

选择selection
1、选择压力 selection pressure
2、偏差 bias
3、个体扩展 spread
4、多样化损失 loss of diversity
5、选择强度 selection intensity
6、选择方差 selection variance

个体选择概率的常用分配方法
1、按比例的适应度分配 proportional fitness assignment
2、基于排序的适应度分配 ran-based fitness assignement

常用选择方法

1、轮盘赌选择法 roulette wheel selection
2、随机遍历抽样法 stochastic universal sampling
3、局部选择法 local selection
4、锦标赛选择法 tournament selection

 

提高遗传算法性能的选择方法
1、稳态繁殖 steady state reproduction
2、没有重串的稳态繁殖 staeady state reproduction without duplicates

交叉/基因重组 crossover/recombination
1、实值重组
(1)离散重组
(2)中间重组
(3)线性重组
2、二进制交叉
(1)单点交叉
(2)多点交叉
多点交叉的思想源于控制个体特定行为的染色体表示信息的部分无须包含于邻近的子串中，
多点交叉的破坏性可以促进解空间的搜索，而不是促进过早地收敛。因此搜索更加健壮。
(3)均匀交叉


to be continue