遺傳演算法的基本框架

編碼

遺傳演算法不能直接處理問題空間的引數，必須把它們轉換成遺傳空間的由基因按一定結構組成的染色體或個體。這一轉換操作就叫做編碼，也可以稱作(問題的)表示(representation)。

評估編碼策略常採用以下3個規範:

遺傳演算法

遺傳演算法

a)完備性(completeness):問題空間中的所有點(候選解)都能作為GA空間中的點(染色體)表現。

b)健全性(soundness): GA空間中的染色體能對應所有問題空間中的候選解。

c)非冗餘性(nonredundancy):染色體和候選解一一對應。

目前的幾種常用的編碼技術有二進位制編碼，浮點數編碼，字元編碼，變成編碼等。

而二進位制編碼是目前遺傳演算法中最常用的編碼方法。即是由二進位制字符集{0,1}產生通常的0,1字串來表示問題空間的候選解。它具有以下特點：

a)簡單易行

b)符合最小字符集編碼原則

散文隨筆

c)便於用模式定理進行分析，因為模式定理就是以基礎的。

適應度函式

進化論中的適應度，是表示某一個體對環境的適應能力，也表示該個體繁殖後代的能力。遺傳演算法的適應度函式也叫評價函式，是用來判斷群體中的個體的優劣程度的指標，它是根據所求問題的目標函式來進行評估的。

遺傳演算法在搜尋進化過程中一般不需要其他外部資訊，僅用評估函式來評估個體或解的優劣，並作為以後遺傳操作的依據。由於遺傳演算法中，適應度函式要比較排序並在此基礎上計算選擇機率，所以適應度函式的值要取正值。由此可見，在不少場合，將目標函式對映成求最大值形式且函式值非負的適應度函式是必要的。

適應度函式的設計主要滿足以下條件：

a）單值、連續、非負、最大化

b) 合理、一致性

c）計算量小

d）通用性強。

在具體應用中，適應度函式的設計要結合求解問題本身的要求而定。適應度函式設計直接影響到遺傳演算法的效能。

初始群體選取

遺傳演算法中初始群體中的個體是隨機產生的。一般來講，初始群體的設定可採取如下的策略:

a)根據問題固有知識，設法把握最優解所佔空間在整個問題空間中的分佈範圍，然後，在此分佈範圍內設定初始群體。

b)先隨機生成一定數目的個體，然後從中挑出最好的個體加到初始群體中。這種過程不斷迭代，直到初始群體中個體數達到了預先確定的規模。

轉自http://blog.itpub.net/31552536/viewspace-2215434/