本文主要是介绍（二）遗传算法（Genetic Algorithm, GA）流程，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

（二）遗传算法（Genetic Algorithm, GA）流程

• 1. 遗传算法流程
• 2. 关键参数说明

1. 遗传算法流程

  一点说明：
  在遗传算法中，将 n n n维决策向量 X \bf{X} X = [ x 1 , x 2 , . . . , x n ] T =[x_1,x_2,...,x_n]^T =[x1​,x2​,...,xn​]T用 n n n个记号 X i ( i = 1 , 2 , . . . , n ) X_i(i=1,2,...,n) Xi​(i=1,2,...,n)所组成的符号串 X X X来表示：
X = X 1 X 2 . . . X n ⇒ X = [ x 1 , x 2 , . . . , x n ] T \boldsymbol{X}=X_1X_2...X_n\Rightarrow\boldsymbol{X}=[x_1,x_2,...,x_n]^T X=X1​X2​...Xn​⇒X=[x1​,x2​,...,xn​]T
  把每一个 X i X_i Xi​看作一个遗传基因，它的所有可能取值就称为等位基因，这样 X \boldsymbol{X} X就可看作由 n n n个遗传基因所组成的一个染色体。
  遗传算法流程图如下所示：

  具体步骤如下：
  （1）初始化。设置进化迭代计数器 g = 0 g=0 g=0，设置最大进化代数 G G G，随机生成 N p N_p Np​个个体作为初始群体 P ( 0 ) P(0) P(0)。
  （2）个体评价。计算群体 P ( t ) P(t) P(t)中各个个体的适应度。
  （3）选择运算。将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体。
  （4）交叉运算。将交叉算子作用于群体，对选中的成对个体，以某一概率交换它们之间的部分染色体，产生新的染色体。
  （5）变异运算。将变异算子作用于群体，对选中的个体，以某一概率改变某一个或一些基因值为其他的等位基因。
  （6）循环操作。群体 P ( t ) P(t) P(t)经过选择、交叉和变异运算之后得到下一代群体 P ( t + 1 ) P(t+1) P(t+1).计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作。
  （7）终止条件判断：若 g ≤ G g\leq G g≤G，则 g = g + 1 g=g+1 g=g+1，转到步骤（2）；若 g > G g>G g>G，则此进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

2. 关键参数说明

1. 群体规模 N p N_p Np​；
     群体规模将影响遗传优化的最终结果以及遗传算法的执行效率。一般取 10 − 200. 10-200. 10−200.
2. 交叉概率 P c P_c Pc​；
     交叉概率 P c P_c Pc​控制着交叉操作被使用的频度。一般 P c P_c Pc​取 0.25 − 1.00. 0.25-1.00. 0.25−1.00.
3. 变异概率 P m P_m Pm​；
     变异在遗传算法中属于辅助性的搜索操作，它的主要目的是保持群体的多样性。通常 P m P_m Pm​取 0.001 − 0.1. 0.001-0.1. 0.001−0.1.
4. 遗传运算的终止进化代数 G G G；
     终止进化代数 G G G是表示遗传算法运行结束条件的一个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。一般视具体问题而定， G G G的取值可在 100 − 1000 100-1000 100−1000之间。

这篇关于（二）遗传算法（Genetic Algorithm, GA）流程的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！