解释遗传算法程序(简要阐述遗传算法的步骤)

遗传算法求解?

遗传算法在很多领域都得到应用；从神经网络研究的角度上考虑，关心的是遗传算法在神经网络的应用。在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入了解，灵活应用，以及进一步研究开发。

解释遗传算法程序(简要阐述遗传算法的步骤)

解释遗传算法程序(简要阐述遗传算法的步骤)

解释遗传算法程序(简要阐述遗传算法的步骤)

解释遗传算法程序(简要阐述遗传算法的步骤)

解释遗传算法程序(简要阐述遗传算法的步骤)

一、遗传算法的特点

1．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。

这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求解的；容易误入局部解。遗传算法从串集开始搜索，复盖面大，利于全局择优。

2．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。

由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。

3．遗传算法有极强的容错能力

遗传算法的初始串集本身就带有大量与解甚远的信息；通过选择、交叉、变异作能迅速排除与解相极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。故而，遗传算法有很高的容错能力。

4．遗传算法中的选择、交叉和变异都是随机作，而不是确定的规则。

这说明遗传算法是采用随机方法进行解搜索，选择体现了向解迫近，交叉体现了解的产生，变异体现了全局解的复盖。

5．遗传算法具有隐含的并行性

遗传算法的基础理论是图式定理。它的有关内容如下：

(1)图式(Schema)概念

一个基因串用符号集{0，1，}表示，则称为一个因式；其中可以是0或1。例如：H=1x x 0 x x是一个图式。

(2)图式的阶和长度

图式中0和1的个数称为图式的阶，并用0(H)表示。图式中第1位数字和后位数字间的距离称为图式的长度，并用δ(H)表示。对于图式H＝1x x0x x，有0(H)＝2，δ(H)＝4。

(3)Holland图式定理

低阶，短长度的图式在群体遗传过程中将会按指数规律增加。当群体的大小为n时，每代处理的图式数目为0(n3)。

遗传算法这种处理能力称为隐含并行性(Implicit Paralleli)。它说明遗传算法其内在具有并行处理的特质。

二、遗传算法的应用关键

遗传算法在应用中关键的问题有如下3个

1．串的编码方式

这本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。串长度及编码形式对算法收敛影响极大。

2．适应函数的确定

适应函数(fitness function)也称对象函数(object function)，这是问题求解品质的测量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。

3．遗传算法自身参数设定

遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。

群体大小n太小时难以求出解，太大则增长收敛时间。一般n＝30-160。交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构。一般取Pc=0.25-0.75。变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。一般取Pm＝0．01—0．2。

三、遗传算法在神经网络中的应用

遗传算法在神经网络中的应用主要反映在3个方面：网络的学习，网络的结构设计，网络的分析。

1．遗传算法在网络学习中的应用

在神经网络中，遗传算法可用于网络的学习。这时，它在两个方面起作用

(1)学习规则的优化

用遗传算法对神经网络学习规则实现自动优化，从而提高学习速率。

(2)网络权系数的优化

用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。

2．遗传算法在网络设计中的应用

用遗传算法设计一个的神经网络结构，首先是要解决网络结构的编码问题；然后才能以选择、交叉、变异作得出结构。编码方法主要有下列3种：

(1)直接编码法

这是把神经网络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经网络是一种映射关系。通过对“染色体”的优化就实现了对网络的优化。

(2)参数化编码法

参数化编码采用的编码较为抽象，编码包括网络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析，然后产生网络的结构。

(3)繁衍生长法

这种方法不是在“染色体”中直接编码神经网络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，后生成适合所解的问题的神经网络。这种方法与自然界生物地生长进化相一致。

3．遗传算法在网络分析中的应用

遗传算法可用于分析神经网络。神经网络由于有分布存储等特点，一般难以从其拓扑结构直接理解其功能。遗传算法可对神经网络进行功能分析，性质分析，状态分析。

遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到解附近，但无法确定扰解位置；后，遗传算法的参数选择尚未有定量方法。对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。

遗传算法的主要步骤

为了使用遗传算法来解决优化问题，准备工作分为以下四步［56，57，61］。

7.4.1 确定问题的潜在解的遗传表示方案

在基本的遗传算法中，表示方案是把问题的搜索空间中每个可能的点表示为确定长度的特征串（通常是二进制串）。表示方案的确定需要选择串长l和字母表规模k。在染色体串和问题的搜索空间中的点之间选择映射有时容易实现，有时又非常困难。选择一个便于遗传算法求解问题的表示方案经常需要对问题有深入的了解。

7.4.2 确定适应值的度量

适应值度量为群体中每个可能的确定长度的特征串指定一个适应值，它经常是问题本身所具有的。适应值度量必须有能力计算搜索空间中每个确定长度的特征串的适应值。

7.4.3 确定控制该算法的参数和变量

控制遗传算法的主要参数有群体规模Pop-Size、算法执行的代数N-Gen、交叉概率Pc、变异概率Pm和选择策略R等参数。

（1）群体规模Pop-Size。群体规模影响到遗传算法的终性能和效率。当规模太小时，由于群体对大部分超平面只给出了不充分的样本量，所以得到的结果一般不佳。大的群体更有希望包含出自大量超平面的代表，从而可以阻止过早收敛到局部解；然而群体越大，每一代需要的计算量也就越多，这有可能导致一个无法接受的慢收敛率。

（2）交叉率Pc。交叉率控制交叉算子应用的频率，在每代新的群体中，有Pc·Pop-Size个串实行交叉。交叉率越高，群体中串的更新就越快。如果交叉率过高，相对选择能够产生的改进而言，高性能的串被破坏得更快。如果交叉率过低，搜索会由于太小的探查率而可能停滞不前。

（3）变异率Pm。变异是增加群体多样性的搜索算子，每次选择之后，新的群体中的每个串的每一位以相等的变异率进行随机改变。对于M进制串，就是相应的位从1变为0或0变为1。从而每代大约发生Pm·Pop-Size·L次变异，其中L为串长。一个低水平的变异率足以防止整个群体中任一给定位保持永远收敛到单一的值。高水平的变异率产生的实质是随机搜索。

比起选择和交叉，变异在遗传算法中是次要的，它在恢复群体中失去的多样性方面具有潜在的作用。例如，在遗传算法执行的开始阶段，串中一个特定位上的值1可能与好的性能紧密联系，也就是说从搜索空间中某些初始随机点开始，在那个位上的值1可能一致地产生适应性度量好的值。因为越好的适应值与串中那个位上的值1相联系，作用就越会使群体的遗传多样性损失。当达到一定程度时，值0会从整个群体中的那个位上消失，然而全局解可能在串中那个位上是0。一旦搜索范围缩小到实际包含全局解的那部分搜索空间，在那个位上的值0就可能正好是达到全局解所需的。这仅仅是一种说明搜索空间是非线性的方式，这种情形不是定的，因为实际上所有我们感兴趣的问题都是非线性的。变异作用提供了一个恢复遗传多样性的损失的方法。

（4）选择策略R。有两种选择策略。一是利用纯选择，即当前群体中每个点的次数比与点的性能值成比例。二是利用选择，即首先执行纯选择，且具有性能的点总是保留到下一代。在缺少选择的情况下，由于采样误、交叉和变异，性能的点可能会丢失。

通过指定各个参数Pop-Size、Pc、Pm和R的值，可以表示一个特定的遗传算法。

7.4.4 确定指定结果的方法和停止运行的准则

当遗传的代数达到允许代数时，就可以停止算法的执行，并指定执行中得到的结果作为算法的结果。

基本的遗传算法

1）随机产生一个由固定长度字符串组成的初始群体。

2）对于字符串群体，迭代地执行下述步骤，直到选择标准被满足为止。

①计算群体中的每个个体字符串的适应值；

②实施下列三种作（至少前两种）来产生新的群体，作对象的选取基于与适应度成比例的概率。

选择：把现有的个体串按适应值到新的群体中。

交叉：通过遗传重组随机选择两个现有的子串进行遗传重组，产生两个新的串。

变异：将现有串中某一位的字符随机变异产生一个新串。

3）把在后代中出现的适应值的个体串指定为遗传算法运行的结果。这一结果可以是问题的解（或近似解）。

基本的遗传算法流程图如图7-1所示。

有一个C#遗传算法程序求y=xx在[0,31]范围内的极值。有的地方看不太懂，请大神解读，详细一点。

虽然我没有弄过遗传、进化类的算法，但我有学习算法的心得

对于这种算法类的代码，我个人建议先弄懂算法的原理，懂了原理，就很容易弄懂代码的意思

如果没有任何这方面的概念与基础，看代码只会事倍功半

求遗传算法的matlab程序

function

my_ga()

options=gaoptimset;

%设置变量范围

options=gaoptimset(options,'PopInitRange',[0;9]);

%设置种群大小

options=gaoptimset(options,'PopulationSize',100);

%设置迭代次数

options=gaoptimset(options,'Generations',100);

%选择选择函数

options=gaoptimset(options,'SelectionFcn',@selectionroulette);

%选择交叉函数

options=gaoptimset(options,'CrossoverFcn',@crossoverarithmetic);

%选择变异函数

options=gaoptimset(options,'MutationFcn',@mutationuniform);

%设置绘图:解的变化、种群平均值的变化

options=gaoptimset(options,'PlotFcns',{@gaplotbestf});

%执行遗传算法，fitness.m是函数文件

[x,fval]=ga(@fitness,1,options)

遗传算法求解tsp问题的matlab程序

把下面的（1）-（7）依次存成相应的.m文件，在（7）的m文件下运行就可以了

（1） 适应度函数fit.m

function fitness=fit(len,m,maxlen,minlen)

fitness=len;

for i=1:length(len)

fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m;

end

(2)个体距离计算函数 mylength.m

function len=myLength(D,p)

[N,NN]=size(D);

len=D(p(1,N),p(1,1));

for i=1:(N-1)

len=len+D(p(1,i),p(1,i+1));

end

end

(3)交叉作函数 cross.m

function [A,B]=cross(A,B)

L=length(A);

if L<10

W=L;

elseif ((L/10)-floor(L/10))>=rand&&L>10

W=ceil(L/10)+8;

else

W=floor(L/10)+8;

end

p=unidrnd(L-W+1);

fprintf('p=%d ',p);

for i=1:W

x=find(A==B(1,p+i-1));

y=find(B==A(1,p+i-1));

[A(1,p+i-1),B(1,p+i-1)]=exchange(A(1,p+i-1),B(1,p+i-1));

[A(1,x),B(1,y)]=exchange(A(1,x),B(1,y));

end

end

(4)对调函数 exchange.m

function [x,y]=exchange(x,y)

temp=x;

x=y;

y=temp;

end

(5)变异函数 Mutation.m

function a=Mutation(A)

index1=0;index2=0;

nnper=randperm(size(A,2));

index1=nnper(1);

index2=nnper(2);

%fprintf('index1=%d ',index1);

%fprintf('index2=%d ',index2);

temp=0;

temp=A(index1);

A(index1)=A(index2);

A(index2)=temp;

a=A;

end

(6)连点画图函数 plot_route.m

function plot_route(a,R)

scatter(a(:,1),a(:,2),'rx');

hold on;

plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)]);

hold on;

for i=2:length(R)

x0=a(R(i-1),1);

y0=a(R(i-1),2);

x1=a(R(i),1);

y1=a(R(i),2);

xx=[x0,x1];

yy=[y0,y1];

plot(xx,yy);

hold on;

end

end

(7)主函数

clear;

clc;

%%%%%%%%%%%%%%%输入参数%%%%%%%%

N=50; %%城市的个数

M=100; %%种群的个数

C=100; %%迭代次数

C_old=C;

m=2; %%适应值归一化淘汰加速指数

Pc=0.4; %%交叉概率

Pmutation=0.2; %%变异概率

%%生成城市的坐标

=randn(N,2);

%%生成城市之间距离矩阵

D=zeros(N,N);

for i=1:N

for j=i+1:N

dis=((i,1)-(j,1)).^2+((i,2)-(j,2)).^2;

D(i,j)=dis^(0.5);

D(j,i)=D(i,j);

end

end

%%如果城市之间的距离矩阵已知，可以在下面赋值给D，否则就随机生成

%%生成初始群体

popm=zeros(M,N);

for i=1:M

popm(i,:)=randperm(N);

end

%%随机选择一个种群

R=popm(1,:);

figure(1);

scatter((:,1),(:,2),'rx');

axis([-3 3 -3 3]);

figure(2);

plot_route(,R); %%画出种群各城市之间的连线

axis([-3 3 -3 3]);

%%初始化种群及其适应函数

fitness=zeros(M,1);

len=zeros(M,1);

for i=1:M

len(i,1)=myLength(D,popm(i,:));

end

maxlen=max(len);

minlen=min(len);

fitness=fit(len,m,maxlen,minlen);

rr=find(len==minlen);

R=popm(rr(1,1),:);

for i=1:N

fprintf('%d ',R(i));

end

fprintf('n');

fitness=fitness/sum(fitness);

distance_min=zeros(C+1,1); %%各次迭代的小的种群的距离

while C>=0

fprintf('迭代第%d次n',C);

%%选择作

nn=0;

for i=1:size(popm,1)

len_1(i,1)=myLength(D,popm(i,:));

jc=rand0.3;

for j=1:size(popm,1)

if fitness(j,1)>=jc

nn=nn+1;

popm_sel(nn,:)=popm(j,:);

break;

end

end

end

%%每次选择都保存的种群

popm_sel=popm_sel(1:nn,:);

[len_m len_index]=min(len_1);

popm_sel=[popm_sel;popm(len_index,:)];

%%交叉作

nnper=randperm(nn);

A=popm_sel(nnper(1),:);

B=popm_sel(nnper(2),:);

for i=1:nnPc

[A,B]=cross(A,B);

popm_sel(nnper(1),:)=A;

popm_sel(nnper(2),:)=B;

end

%%变异作

for i=1:nn

pick=rand;

while pick==0

pick=rand;

end

if pick<=Pmutation

popm_sel(i,:)=Mutation(popm_sel(i,:));

end

end

%%求适应度函数

NN=size(popm_sel,1);

len=zeros(NN,1);

for i=1:NN

len(i,1)=myLength(D,popm_sel(i,:));

end

maxlen=max(len);

minlen=min(len);

distance_min(C+1,1)=minlen;

fitness=fit(len,m,maxlen,minlen);

rr=find(len==minlen);

fprintf('minlen=%dn',minlen);

R=popm_sel(rr(1,1),:);

for i=1:N

fprintf('%d ',R(i));

end

fprintf('n');

popm=[];

popm=popm_sel;

C=C-1;

%pause(1);

end

figure(3)

plot_route(,R);

axis([-3 3 -3 3]);

如何通俗易懂地解释遗传算法？

精英主义：这是基本遗传算法的一种优化。目的是防止进化过程中产生的解被变异和交叉所破坏。《遗传算法原理及应用》介绍的保存策略是：即当前种群中适应度的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传作后所产生的适应度的个体。其实不管是遗传算法，还是模拟退火算法或者其他算法，其本质都是借鉴自然界中的规则规律，人为的为问题设置了一个模拟模型，然后用大自然告诉我们的规律去找解，在理解这些算法的时候，可以照着这个思路去走，一般能让你快速拨云见日，了解算法的核心思想。

我其实一直在想，教材面向的明明就是望门欲入的初学者，你不弄得生动活泼一点招徕门徒就算了，在一群小朋友面前卖弄之乎者也还显本事了是么！我是还记得我们学校的高数书编的有多么生涩难懂，结果节课老上课时还说“我们不用同济的版本，那本书太浅，不适合我们学校的学生” 可是在我和大多数同学看来，同济版本的高数倒更像是为了要入门的同学编写的教材，自己学校编的那本却更像是给同行评阅炫耀作者深度的大部头。