遺傳演算法學習筆記

關鍵詞

染色體 chromosome
脫氧核糖核酸 deoxyribonucleic acid DNA
核糖核酸 ribonucleic aicd RNA
遺傳因子 gene
遺傳子型 genotype
表現型 phenotype
基因座 locus
個體 individual
種群 population
進化 evolution
適應度 fitness
選擇 selection
複製 reproduction
交叉 crossover
變異 mutation
編碼 coding
解碼 decoding

設計和選擇編碼方法指南，9個特性
完全性 completeness
封閉性 closure
緊緻性 compactness
可擴充性 scalability
多重性 multiplicity
個體可塑性 flexibility
模組性 modularity
冗餘性 redundancy
複雜性 complexity

滿意特性 完全性 可測性和複雜性

遺傳演算法在進化搜尋中基本不利用外部資訊，僅以適應度函數fitness function為依據，
利用種群中每個個體的適應度值來進行搜尋。因此fitness function選取直接影響到遺傳
演算法的收斂速度以及能否找到最優解。適應度函數設計不當有可能造成遺傳演算法的欺騙性
問題。

適應度函數的設計主要滿足

1、單值、連續、非負、最大化
2、合理、一致性
3、計算量小
4、通用性強 可選

適應度函數的尺度變換包括
1、線性變換
2、冪函數變換
3、指數變換

選擇selection
1、選擇壓力 selection pressure
2、偏差 bias
3、個體擴充 spread
4、多樣化損失 loss of diversity
5、選擇強度 selection intensity
6、選擇方差 selection variance

個體選擇機率的常用分配方法
1、按比例的適應度分配 proportional fitness assignment
2、基於排序的適應度分配 ran-based fitness assignement

常用選擇方法

1、輪盤賭選擇法 roulette wheel selection
2、隨機遍曆抽樣法 stochastic universal sampling
3、局部選擇法 local selection
4、錦標賽選擇法 tournament selection

 

提高遺傳演算法效能的選擇方法
1、穩態繁殖 steady state reproduction
2、沒有重串的穩態繁殖 staeady state reproduction without duplicates

交叉/基因重組 crossover/recombination
1、實值重組
(1)離散重組
(2)中間重組
(3)線性重組
2、二進位交叉
(1)單點交叉
(2)多點交叉
多點交叉的思想源於控制個體特定行為的染色體表示資訊的部分無須包含於鄰近的子串中，
多點交叉的破壞性可以促進解空間的搜尋，而不是促進過早地收斂。因此搜尋更加健壯。
(3)均勻交叉

to be continue