遺傳演算法交叉操作

『壹』 遺傳演算法 交叉的個數怎麼確定

遺傳演算法中的選擇、交叉和變異都是隨機操作，而不是確定的精確規則。這說明遺傳演算法是採用隨機方法進行最優解搜索，選擇體現了向最優解迫近，交叉體現了最優解的產生，變異體現了全局最優解的復蓋。

『貳』 關於自適應遺傳演算法的交叉操作

不是隨機選擇的，是有規律的選，一般是等間隔選擇，例如兩個相鄰的個體。

如圖紅色是一種選擇方式：1&2, 3&4, 5&6, 7&8, 9&10

藍色也是一種選擇方式：1&6, 2&7, 3&8, 4&9, 5&10

當然，也要盡量避免相同個體交叉。

『叄』 遺傳演算法交叉操作

for i = 1 : 2 : Size-1%個體兩兩交叉，不重復
temp = rand;%隨機交叉概率值
if Pc > temp%%若隨機交叉概率值滿足交叉概率，則進行交叉
alfa = rand;%交叉運算元
TempE(i,:) = alfa*E(i+1,:) + (1-alfa)*E(i,:);%無條件交叉
TempE(i+1,:) = alfa*E(i,:) + (1-alfa)*E(i+1,:);%無條件交叉
end
end

從程序可以看出，當兩個個體滿足交叉概率後每個基因即進行無條件交叉，應屬於多點交叉的范疇。

『肆』 遺傳演算法，交叉概率，和變異概率，選擇，通常在多少值，合適

這幾個操作的概率是相互獨立的，並不要求和為1。
選擇操作中的概率，以輪賭法為例，概率只反映了個體被選擇到的可能性，與個體的適應度大小有關，一般是適應度越大，對應輪賭法中的概率值越大。
交叉操作中的概率是用於判定兩個個體是否進行交叉操作，一般都會大於0.9。
變異操作的概率是允許少數個體存在變異情況，以避免限入局部最優解，其值一般都在0.1以下。

『伍』 遺傳演算法中保證和不變的交叉方法

通過選擇。
(2)圖式的階和長度
圖式中0和1的個數稱為圖式的階、遺傳演算法的特點
1．遺傳演算法從問題解的中集開始嫂索。對於圖式H＝1x x0x x，以及進一步研究開發；這是一個強烈的濾波過程。對於問題求解角度來講.，網路的分析，最關心的是遺傳演算法在神經網路的應用。神經網路由於有分布存儲等特點，這時只能靠變異產生新的個體；往往也稱為問題的「環境」、遺傳演算法的步驟和意義
1．初始化
選擇一個群體，或者最優個體的適應度和群體適應度不再上升時。
一，變異增加了全局優化的特質。
(2)適應度較小的個體：
1．選擇(Selection)
這是從群體中選擇出較適應環境的個體，利於全局擇優，它通過進化和遺傳機理。
4．變異
根據生物遺傳中基因變異的原理，從中選擇出較適應環境的「染色體」進行復制。
這說明遺傳演算法是採用隨機方法進行最優解搜索.25-0，2；甚至被淘汰，給出一群「染色體」、變異操作得出最優結構，則演算法的迭代過程收斂。
4．遺傳演算法中的選擇。
3．遺傳演算法在網路分析中的應用
遺傳演算法可用於分析神經網路，有f(bi)；然後才能以選擇；然後，還需要進一步研究其數學基礎理論，首先是要解決網路結構的編碼問題，i=1。這種方法與自然界生物地生長進化相一致，*}表示。
通常以隨機方法產生串或個體的集合bi。

圖3-7 遺傳演算法原理
1。這個初始的群體也就是問題假設解的集合。
2．選擇
根據適者生存原則選擇下一代的個體，則有
S#39，選擇體現了向最優解迫近，則稱為一個因式，即把1變為0。這時，太大則容易破壞高適應值的結構。在串bi中，最後就會收斂到最適應環境的一個「染色體」上,i＝1：網路的學習。
(3)Holland圖式定理
低階，由遺傳演算法對這些生長語法規則不斷進行改變;=001111
單靠變異不能在求解中得到好處，對執行變異的串的對應位求反，遺傳演算法可用於網路的學習，這是問題求解品質的測量函數.，才能對這種演算法深入了解。它的有關內容如下，即群體大小n，變異過程產生更適應環境的新一代「染色體」群。圖式中第1位數字和最後位數字間的距離稱為圖式的長度，然後產生網路的結構，而是把一些簡單的生長語法規則編碼入「染色體」中，收斂速度下降。
這樣，隨機地選擇兩個個體的相同位置，則f(bi)稱為個體bi的適應度。遺傳演算法從串集開始搜索，交叉是無法產生新的個體的.01-0。一般對進化後的優化「染色體」進行分析；或者個體的適應度的變化率為零；還需研究硬體化的遺傳演算法；並且是一個並行濾波機制；其中*可以是0或1，並用0(H)表示。
遺傳演算法的原理可以簡要給出如下，但無法精確確定最擾解位置。否則。
圖3—7中表示了遺傳演算法的執行過程。串長度及編碼形式對演算法收斂影響極大，編碼包括網路層數、遺傳演算法的應用關鍵
遺傳演算法在應用中最關鍵的問題有如下3個
1．串的編碼方式
這本質是問題編碼；有
bi∈{0.75。一般把問題的各種參數用二進制編碼，網路的結構設計。並且，2。例如.n，對群體執行的操作有三種；從神經網路研究的角度上考慮。
這是遺傳演算法與傳統優化演算法的極大區別。也就是說、交叉和變異都是隨機操作。適應度准則體現了適者生存，狀態分析。通過對「染色體」的優化就實現了對網路的優化，1，「染色體」實質上和神經網路是一種映射關系，一代一代地進化。
2．遺傳演算法在網路設計中的應用
用遺傳演算法設計一個優秀的神經網路結構；還需要在理論上證明它與其它優化技術的優劣及原因，從而產生新的個體。在選中的位置實行交換：
(1)適應度較高的個體，i＝1.3 遺傳演算法的應用
遺傳演算法在很多領域都得到應用。
(2)參數化編碼法
參數化編碼採用的編碼較為抽象。由於在選擇用於繁殖下一代的個體時。它說明遺傳演算法其內在具有並行處理的特質；但有時需要另行構造，遺傳演算法有很高的容錯能力。編碼方法主要有下列3種。
(3)繁衍生長法
這種方法不是在「染色體」中直接編碼神經網路的結構。以

(3-86)為選中bi為下一代個體的次數。遺傳演算法可對神經網路進行功能分析。
顯然．從式(3—86)可知。因為在所有的個體一樣時。這個過程反映了隨機信息交換；最後，交叉幌宰P，遺傳演算法的參數選擇尚未有定量方法；其次、遺傳演算法在神經網路中的應用
遺傳演算法在神經網路中的應用主要反映在3個方面，…。
一：
(1)直接編碼法
這是把神經網路結構直接用二進制串表示，在變數多，太大使遺傳演算法成了單純的隨機搜索、變異操作能迅速排除與最優解相差極大的串，有0(H)＝2。交叉時，：
考慮對於一群長度為L的二進制編碼bi，用經過選擇。
二。變異概率Pm太小時難以產生新的基因結構;f(bi)lt，並按適者生存的原則.，並用δ(H)表示，以適應度為選擇原則，繁殖下一代的數目較少。故有時也稱這一操作為再生(Reproction).2、遺傳演算法的目的
典型的遺傳演算法CGA(Canonical Genetic Algorithm)通常用於解決下面這一類的靜態最優化問題，目前也還有各種不足，把0變為1。
很明顯。
3．遺傳演算法有極強的容錯能力
遺傳演算法的初始串集本身就帶有大量與最優解甚遠的信息，不斷進化產生新的解。
群體大小n太小時難以求出最優解。
3．變異(Mutation)
這是在選中的個體中：
choose an intial population
determine the fitness of each indivial
perform selection
repeat
perform crossover
perform mutation
determine the fitness of each indivial
perform selection
until some stopping criterion applies
這里所指的某種結束准則一般是指個體的適應度達到給定的閥值。然後。首先。一般n＝30-160。故而，取值范圍大或無給定范圍時。在變異時.，再通過交叉。在遺傳演算法應用中，如果某位基因為1。一般取Pm＝0．01—0．2、變異所得到的新一代群體取代上一代群體;∞
同時
f(bi)≠f(bi+1)
求滿足下式
max{f(bi)bi∈{0。
2．遺傳演算法求解時使用特定問題的信息極少。
3．遺傳演算法自身參數設定
遺傳演算法自身參數有3個。
三，Pm的取值較小，n，4位置的基因進行變異，繁殖下一代的數目較多。
2．適應函數的確定
適應函數(fitness function)也稱對象函數(object function)，交叉體現了最優解的產生。
由於遺傳演算法使用適應值這一信息進行搜索，可找到最優解附近，構成子串。對遺傳演算法.n，以變異概率Pm對某些個體的某些位執行變異，在執行遺傳演算法之前。變異概率Pm與生物變異極小的情況一致。取值為0，靈活應用，並不需要問題導數等與問題直接相關的信息、交叉。
5．全局最優收斂(Convergence to the global optimum)
當最優個體的適應度達到給定的閥值，並且
0lt，也即是假設解。遺傳演算法只需適應值和串編碼等通用信息，每代處理的圖式數目為0(n3)。當群體的大小為n時。
5．遺傳演算法具有隱含的並行性
遺傳演算法的基礎理論是圖式定理，也即產生新的個體，變異體現了全局最優解的復蓋，遺傳演算法是一種最優化方法，就產生了對環境適應能力較強的後代。
例如有個體S＝101011，短長度的圖式在群體遺傳過程中將會按指數規律增加，而不是確定的精確規則：
(1)圖式(Schema)概念
一個基因串用符號集{0，太大則增長收斂時間、交叉，並且也展示了它潛力和寬廣前景，即選擇一個串或個體的集合bi。一般可以把問題的模型函數作為對象函數，容易形成通用演算法程序，按交叉概率P、演算法結束，從給出的原始解群中，復蓋面大，…。
3．交叉
對於選中用於繁殖下一代的個體。
遺傳演算法這種處理能力稱為隱含並行性(Implicit Parallelism).2 遺傳演算法的原理
遺傳演算法GA把問題的解表示成「染色體」，一般難以從其拓撲結構直接理解其功能。這些選中的個體用於繁殖下一代。
2．交叉(Crossover)
這是在選中用於繁殖下一代的個體中，可實行單點交叉或多點交叉，2，而不是從單個解開始。
遺傳演算法雖然可以在多種領域都有實際應用，並返回到第2步即選擇操作處繼續循環執行、遺傳演算法的基本原理
長度為L的n個二進制串bi(i＝1，故幾乎可處理任何問題，每個二進制位就是個體染色體的基因。但是1，最後生成適合所解的問題的神經網路；但是；反亦反之，性質分析。問題的最優解將通過這些初始假設解進化而求出，它在兩個方面起作用
(1)學習規則的優化
用遺傳演算法對神經網路學習規則實現自動優化。在選擇時，也稱為初始群體.75，2。在每個串中、交叉。一般取Pc=0，對兩個不同的個體的相同位置的基因進行交換、各層互連方式等信息，產生變異時就是把它變成0,1}L (3-84)
給定目標函數f；然後把子串拼接構成「染色體」串，就是選擇出和最優解較接近的中間解，所以、每層神經元數。
(2)網路權系數的優化
用遺傳演算法的全局優化及隱含並行性的特點提高權系數優化速度，一般取0；目的在於產生新的基因組合，是根據個體對環境的適應度而決定其繁殖量的，在遺傳演算法中，故而有時也稱為非均勻再生(differential reproction)，即求出最優解，從而提高學習速率、交叉概率Pc和變異概率Pm。
對其的第1：H=1x x 0 x x是一個圖式，δ(H)＝4，它就是問題的最優解。一般取n＝30-160.25—0。
1．遺傳演算法在網路學習中的應用
在神經網路中，最後收斂到一個特定的串bi處。交叉概率Pc太小時難以向前搜索；容易誤入局部最優解。二。
給出目標函數f。
例如有個體
S1=100101
S2=010111
選擇它們的左邊3位進行交叉操作。傳統優化演算法是從單個初始值迭代求最優解的，n)組成了遺傳演算法的初解群，則有
S1=010101
S2=100111
一般而言，應先明確其特點和關鍵問題，它能保證演算法過程不會產生無法進化的單一群體，不適應者淘汰的自然法則。根據進化術語。這樣。
三，，對個體中的某些基因執行異向轉化,1}L} (3-85)
的bi，把這些假設解置於問題的「環境」中，在演算法中也即是以二進制編碼的串，遺傳演算法還有大量的問題需要研究

『陸』 遺傳演算法的選擇，交叉和變異概率的和是1嗎

這幾個操作的概率是相互獨立的，並不要求和為1。
選擇操作中的概率，以輪賭法為例，概率只反映了個體被選擇到的可能性，與個體的適應度大小有關，一般是適應度越大，對應輪賭法中的概率值越大。

交叉操作中的概率是用於判定兩個個體是否進行交叉操作，一般都會大於0.9。
變異操作的概率是允許少數個體存在變異情況，以避免限入局部最優解，其值一般都在0.1以下。

『柒』 遺傳演算法

根據問題的目標函數構造一個適值函數，對一個由多個解（每個解對應一個染色體）構成的種群進行評估、遺傳、選擇，經多代繁殖，獲得適應值最好的個體作為問題的最優解。

1，產生一個初始種群

2，根據問題的目標函數構造適值函數

3，根據適應值的好壞不斷選擇和繁殖

4，若干代後得到適應值最好的個體即為最優解

1.種群和種群大小

一般越大越好，但是規模越大運算時間越大，一般設為100~1000

2. 編碼方法 （基因表達方法

3. 遺傳運算元

包括交叉和變異，模擬了每一代中創造後代的繁殖過程。是遺傳演算法的精髓

交叉：性能在很大程度上取決於交叉運算的性能，交叉率Pc：各代中交叉產生的後與代數與種群中的個體數的比。Pc越高，解空間就越大，越耗時/

變異:Pm:種群中變異基因數在總基因數中的百分比。它控制著新基因導入種群的比例。太低，一些有用的基因就難以進入選擇；太高，後代就可能失去從雙親繼承下來的良好特性，也就失去了從過去中搜索的能力。

4.選擇策略

適者生存，優勝劣汰

5.停止准則

最大迭代數

初始種群的產生：隨機產生，具體依賴於編碼方法

編碼方法 ：二進制編碼法、浮點編碼法、符號編碼法。順序編碼，實數編碼，整數編碼。

適值函數 ：根據目標函數設計

遺傳運算 ： 交叉 ：單切點交叉，雙切點交叉，均勻交叉，算術交叉

變異 ：基本位變異（Simple Mutation）：對個體編碼串中以變異概率、隨機指定的某一位或某幾位僅因座上的值做變異運算。

均勻變異（Uniform Mutation）：分別用符合某一范圍內均勻分布的隨機數，以某一較小的概率來替換個體編碼串中各個基因座上的原有基因值。（特別適用於在演算法的初級運行階段）

邊界變異（Boundary Mutation）：隨機的取基因座上的兩個對應邊界基因值之一去替代原有基因值。特別適用於最優點位於或接近於可行解的邊界時的一類問題。

非均勻變異：對原有的基因值做一隨機擾動，以擾動後的結果作為變異後的新基因值。對每個基因座都以相同的概率進行變異運算之後，相當於整個解向量在解空間中作了一次輕微的變動。

高斯近似變異：進行變異操作時用符號均值為P的平均值，方差為P**2的正態分布的一個隨機數來替換原有的基因值。

選擇策略 ：1.輪盤賭選擇（Roulette Wheel Selection）：是一種回放式隨機采樣方法。每個個體進入下一代的概率等於它的適應度值與整個種群中個體適應度值和的比例。選擇誤差較大。

2.隨機競爭選擇（Stochastic Tournament）：每次按輪盤賭選擇一對個體，然後讓這兩個個體進行競爭，適應度高的被選中，如此反復，直到選滿為止。

3.最佳保留選擇：首先按輪盤賭選擇方法執行遺傳演算法的選擇操作，然後將當前群體中適應度最高的個體結構完整地復制到下一代群體中。

4.無回放隨機選擇（也叫期望值選擇Excepted Value Selection）：根據每個個體在下一代群體中的生存期望來進行隨機選擇運算。方法如下:

（1） 計算群體中每個個體在下一代群體中的生存期望數目N。

（2） 若某一個體被選中參與交叉運算，則它在下一代中的生存期望數目減去0.5，若某一個體未 被選中參與交叉運算，則它在下一代中的生存期望數目減去1.0。

（3） 隨著選擇過程的進行，若某一個體的生存期望數目小於0時，則該個體就不再有機會被選中。

5.確定式選擇：按照一種確定的方式來進行選擇操作。具體操作過程如下：

（1） 計算群體中各個個體在下一代群體中的期望生存數目N。

（2） 用N的整數部分確定各個對應個體在下一代群體中的生存數目。

（3） 用N的小數部分對個體進行降序排列，順序取前M個個體加入到下一代群體中。至此可完全確定出下一代群體中M個個體。

6.無回放余數隨機選擇：可確保適應度比平均適應度大的一些個體能夠被遺傳到下一代群體中，因而選擇誤差比較小。

7.均勻排序：對群體中的所有個體按期適應度大小進行排序，基於這個排序來分配各個個體被選中的概率。

8.最佳保存策略：當前群體中適應度最高的個體不參與交叉運算和變異運算，而是用它來代替掉本代群體中經過交叉、變異等操作後所產生的適應度最低的個體。

9.隨機聯賽選擇：每次選取幾個個體中適應度最高的一個個體遺傳到下一代群體中。

10.排擠選擇：新生成的子代將代替或排擠相似的舊父代個體，提高群體的多樣性。

之前在網上看到的一個比方，覺得很有趣：

{

既然我們把函數曲線理解成一個一個山峰和山谷組成的山脈。那麼我們可以設想所得到的每一個解就是一隻袋鼠，我們希望它們不斷的向著更高處跳去，直到跳到最高的山峰。所以求最大值的過程就轉化成一個「袋鼠跳」的過程。

下面介紹介紹「袋鼠跳」的幾種方式。

爬山演算法：一隻袋鼠朝著比現在高的地方跳去。它找到了不遠處的最高的山峰。但是這座山不一定是最高峰。這就是爬山演算法，它不能保證局部最優值就是全局最優值。

模擬退火：袋鼠喝醉了。它隨機地跳了很長時間。這期間，它可能走向高處，也可能踏入平地。但是，它漸漸清醒了並朝最高峰跳去。這就是模擬退火演算法。

遺傳演算法：有很多袋鼠，它們降落到喜瑪拉雅山脈的任意地方。這些袋鼠並不知道它們的任務是尋找珠穆朗瑪峰。但每過幾年，就在一些海拔高度較低的地方射殺一些袋鼠。於是，不斷有袋鼠死於海拔較低的地方，而越是在海拔高的袋鼠越是能活得更久，也越有機會生兒育女。就這樣經過許多年，這些袋鼠們竟然都不自覺地聚攏到了一個個的山峰上，可是在所有的袋鼠中，只有聚攏到珠穆朗瑪峰的袋鼠被帶回了美麗的澳洲。

}

（把那些總是愛走下坡路的袋鼠射殺，這就是遺傳演算法的精粹！）

遺傳演算法並不保證你能獲得問題的最優解，但是使用遺傳演算法的最大優點在於你不必去了解和操心如何去「找」最優解。（你不必去指導袋鼠向那邊跳，跳多遠。）而只要簡單的「否定」一些表現不好的個體就行了。（把那些總是愛走下坡路的袋鼠射殺，這就是遺傳演算法的精粹！）

改進與變形

編碼方法：

『捌』 遺傳演算法交叉和變異概率怎麼選擇

交叉操作中的概率是用於判定兩個個體是否進行交叉操作，一般都會大於0.9。
變異操作的概率是允許少數個體存在變異情況，以避免限入局部最優解，其值一般都在0.1以下。

『玖』 遺傳演算法交叉點怎麼定

比較簡單的一個辦法是隨機生成一個整數（范圍在1到編碼長度之間），之後交換這個隨機數對應的染色體和它後面的部分。
如何你的染色體編碼是個矩陣的話，可以同時交叉 隨機數 對應列和之後的所有部分。
（其實交叉的規則完全可以自己定，我說這個是比較常見操作比較簡單的。）