遗传算法入门（连载之四）

本文主要是介绍遗传算法入门（连载之四），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

    最近在学习有关遗传算法和神经网络方面的知识，网上查看了很多这方面的秘笈，只怪小生天生愚钝、才疏学浅，不能很好的领悟秘笈中的真谛，往往被弄得晕头转向、不知所措。直到有一天无意中看到了博主zzwu写的有关这方面的文章，初读之，如温旧习；渐深入，觉甚好；遂一气呵成，犹如拨云见日、茅塞顿开。余甚怕在茫茫Internet中再无机会拜读之，遂收藏于此，以便众人观之，绝无其他不良用途。在此对博主再次深表感谢。博文转自：http://blog.csdn.net/zzwu/article/details/561620

 清华大学出版社

(本章由zzwu译)

3.3计算机内的进化（ Evolution Inside Your Computer ）

    遗传算法的工作过程本质上就是模拟生物的进化过程。首先，要规定一种编码方法，使得你的问题的任何一个潜在可行解都能表示成为一个“数字”染色体。然后，创建一个由随机的染色体组成的初始群体（每个染色体代表了一个不同的候选解），并在一段时期中，以培育适应性最强的个体的办法，让它们进化，在此期间，染色体的某些位置上要加入少量的变异。经过许多世代后，运气好一点，遗传算法将会收敛到一个解。遗传算法不保证一定能得到解，如果有解也不保证找到的是最优解，但只要采用的方法正确，你通常都能为遗传算法编出一个能够很好运行的程序。遗传算法的最大优点就是，你不需要知道怎么去解决一个问题;你需要知道的仅仅是，用怎么的方式对可行解进行编码，使得它能能被遗传算法机制所利用。

   通常，代表可行解的染色体采用一系列的二进制位作为编码。在运行开始时，你创建一个染色体的群体，每个染色体都是一组随机的２进制位。２进制位（即染色体）的长度在整个群体中都是一样的。作为一个例子，长度为 20的染色体的形状如下:

01010010100101001111

   重要的事情就在于，每个染色体都用这样的方式编码成为由 0和1组成的字符串，而它们通过 译码 就能用来表示你手头问题的一个解。这可能是一个很差的解，也可能是一个十分完美的解，但每一个单个的染色体都代表了一个可行解（下面就将讨论有关编码的更多的细节）。初始群体通常都是 很糟的 ，有点象英国板球队或美国足球队（抱歉了！）。但不管怎样，正如我前面说过的那样，一个初始的群体已经创建完成（对这一例子，不妨设共有100个成员），这样，你就可以开始做下面列出的一系列工作（你不用担心用蓝字显示的那些词句，我后面马上就会来解释一切）：

 

不断进行下列循环，直到寻找出一个解 :

1.检查每个染色体，看它解决问题的性能怎样，并相应地为它分配一个适应性分数。

2.从当前群体中选出2个成员。被选出的概率正比于染色体的适应性，适应性分数愈高，被选中的可能性也就愈大。常用的方法就是采用所谓的轮盘赌选择法或赌轮选择法(Roulette wheel selection)。

3.按照预先设定的杂交率（Crossover Rate），从每个选中染色体的一个随机的点上进行杂交（crossover）。

4.按照预定的变异率（mutation rate），通过对被选染色体的位的循环，把相应的位实行翻转（flip）。

5.重复步骤2，3，4，直到100个成员的新群体被创建出来。

结束循环


    以上算法中步骤1 到步骤5 的一次循环称为一个代（或世代，generation）。而我把这整个的循环称作一个时代（epoch） ，在我的正文和代码中将始终都用这样方式来称呼。

3.3.1什么是轮盘赌选择？ ( What's the Roulette Wheel Selection )

    轮盘赌选择是从染色体群体中选择一些成员的方法，被选中的机率和它们的适应性分数成比例，染色体的适应性分数愈高，被选中的概率也愈多。这不保证适应性分数最高的成员一定能选入下一代，仅仅说明它有最大的概率被选中。其工作过程是这样的：

    设想群体全体成员的适当性分数由一张饼图来代表 (见图3.4)，这一饼图就和用于赌博的转轮形状一样。我们要为群体中每一染色体指定饼图中一个小块。块的大小与染色体的适应性分数成比例，适应性分数愈高，它在饼图中对应的小块所占面积也愈大。为了选取一个染色体，你要做的，就是旋转这个轮子，并把一个小球抛入其中，让它翻来翻去地跳动，直到轮盘停止时，看小球停止在哪一块上，就选中与它对应的那个染色体。本章后面我就会告诉你怎样来编写这种程序的准确算法。

图 3.4　染色体的轮盘赌式选择

3.3.2什么是杂交率？( What's the Crossover Rate )

    杂交率就是用来确定 2个染色体进行局部的位（bit）的互换以产生2个新的子代的概率。 实验表明这一数值通常取为0.7左右是理想的，尽管某些问题领域可能需要更高一些或较低一些的值。

    每一次，我们从群体中选择 2个染色体，同时生成其值在0到1之间一个随机数，然后根据此数据的值来确定两个染色体是否要进行杂交。如果数值低于杂交率(0.7)就进行杂交，然后你就沿着染色体的长度随机选择一个位置，并把此位置后面所有的位进行互换。

    例如，设给定的 2个染色体为:

10001001110010010

01010001001000011

    沿着它们的长度你随机选择一个位置，比如说 10，然后互换第10位之后所有位。这样两个染色体就变成了（我已在开始互换的位置加了一个空格）：

 

10001001101000011

01010001010010010

3.3.3　什么是变异率？( What's the Mutation Rate? )

    变异率（突变率） 就是在一个染色体中将位实行翻转（flip，即0 变1，1变 0）的几率。这对于二进制编码的基因来说通常都是很低的值，比如 0.001 。

因此，无论你从群体中怎样选择染色体，你首先是检查是否要杂交，然后再从头到尾检查子代染色体的各个位，并按所规定的几率对其中的某些位实行突变（翻转）。

 

3.3.4　怎么搞的啦！( Phew! )

    如果你对上面讲东西感到有些茫然，那也不必担心！从现在开始直到本章结束，所有阅读材料大多数都被设计用来重读两遍。这里有很多需要你理解的新概念，且它们都是相互混杂在一起。我相信对于你这是最好的学习方法。当你通读第一遍时，你有望对一些基本概念得到一些孤立的感性认识，而在阅读第二遍时（如果我做的工作是正确的话），你就能看到各种不同的概念怎样相互联系起来。而当你最后结合源程序来开始编程玩弄时，每一件事物都只是考虑怎样周密地进行安排的问题，到那时你的工作仅仅是一种如何来提炼你的知识和技能的事了（那是比较容易的一部分）。

 

－连载４完－

这篇关于遗传算法入门（连载之四）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---