本文目录一览

1，如何利用遗传算法求解问题试举例说明求解过程急急急 搜

遗传算法将目标函数转换为适应度函数，评估，复制，交叉，变异种群中的个体，并从中选出适应性最强的个体，算法的最优解就是这个个体。具体流程是：1.初始种群的产生。2.适应度函数的构造。3.选择和繁殖。4.终止条件。
不明白啊 = =！

如何利用遗传算法求解问题试举例说明求解过程急急急 搜

2，特征选择的遗传算法程序

一个简单实用的遗传算法c程序: http://blog.csdn.net/AmiRural/archive/2005/07/07/416333.aspx
http://baike.baidu.com/view/45853.htm

特征选择的遗传算法程序

3，生物 遗传图解 具体有哪些步骤

遗传图解要有：1、亲代、子代、配子；2、各代的基因型及表现型及比例关系；3、亲代产生的配子及配子结合成子代的基因型之间要用箭头连接。
1亲代p 子代f的符号2杂交 自交符号 3亲子代基因型.基因型比例和生物性状4产生的配子5箭头 ↙ ↘

生物 遗传图解 具体有哪些步骤

4，遗传算法的基本框架

遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。评估编码策略常采用以下3个规范:a)完备性(completeness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。c)非冗余性(nonredundancy):染色体和候选解一一对应。目前的几种常用的编码技术有二进制编码，浮点数编码，字符编码，变成编码等。而二进制编码是目前遗传算法中最常用的编码方法。即是由二进制字符集a)简单易行b)符合最小字符集编码原则c)便于用模式定理进行分析，因为模式定理就是以基础的。 进化论中的适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值。由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。适应度函数的设计主要满足以下条件：a）单值、连续、非负、最大化b) 合理、一致性c）计算量小d）通用性强。在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。适应度函数设计直接影响到遗传算法的性能。 遗传算法中初始群体中的个体是随机产生的。一般来讲，初始群体的设定可采取如下的策略:a)根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。b)先随机生成一定数目的个体，然后从中挑出最好的个体加到初始群体中。这种过程不断迭代，直到初始群体中个体数达到了预先确定的规模。

5，蚂蚁算法的思想进化公式及遗传算法的算法流程图

抄的目前蚁群算法主要用在组合优化方面，基本蚁群算法的思路是这样的：1. 在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。2. 在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线(selection)，更倾向于选择信息素多的路径走（当然也有随机性）。3. 又到了再下一个状态，刚刚没有蚂蚁经过的路线上的信息素不同程度的挥发掉了(evaporation)，而刚刚经过了蚂蚁的路线信息素增强(reinforcement)。然后又出动一批蚂蚁，重复第2个步骤。每个状态到下一个状态的变化称为一次迭代，在迭代多次过后，就会有某一条路径上的信息素明显多于其它路径，这通常就是一条最优路径。关键的部分在于步骤2和3：步骤2中，每只蚂蚁都要作出选择，怎样选择呢？selection过程用一个简单的函数实现：蚂蚁选择某条路线的概率＝该路线上的信息素÷所有可选择路线的信息素之和假设蚂蚁在i点，p(i,j)表示下一次到达j点的概率，而τ(i,j)表示ij两点间的信息素，则：p(i,j)＝τ(i,j)/∑τ(i)（如果所有可选路线的信息素之和∑τ(i)＝0，即前面还没有蚂蚁来过，概率就是一个[0,1]上的随机值，即随机选择一条路线）步骤3中，挥发和增强是算法的关键所在（也就是如何数学定义信息素的）evaporation过程和reinforcement过程定义了一个挥发因子，是迭代次数k的一个函数ρ(k)＝1－lnk/ln(k+1)最初设定每条路径的信息素τ(i,j,0)为相同的值然后，第k+1次迭代时，信息素的多少对于没有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)，显然信息素减少了有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)＋ρ(k)/|W|，W为所有点的集合为什么各个函数要如此定义，这个问题很难解释清楚，这也是算法的精妙所在。如此定义信息素的挥发和增强，以及路径选择，根据马尔可夫过程（随机过程之一）能够推导出，在迭代了足够多次以后，算法能够收敛到最佳路径。
没看懂什么意思？

6，遗传算法是什么

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。遗传算法(Genetic Algorithms简称GA)是由美国Michigan大学的John Holland教授于20世纪60年代末创建的。它来源于达尔文的进化论和孟德尔、摩根的遗传学理论，通过模拟生物进化的机制来构造人工系统。遗传算法作为一种全局优化方法，提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对优化函数的要求很低并且对不同种类的问题具有很强的鲁棒性，所以广泛应用于计算机科学、工程技术和社会科学等领域。John Holland教授通过模拟生物进化过程设计了最初的遗传算法，我们称之为标准遗传算法。标准遗传算法流程如下：1）初始化遗传算法的群体，包括初始种群的产生以及对个体的编码。2）计算种群中每个个体的适应度，个体的适应度反映了其优劣程度。3）通过选择操作选出一些个体，这些个体就是母代个体，用来繁殖子代。4）选出的母代个体两两配对，按照一定的交叉概率来进行交叉，产生子代个体。5）按照一定的变异概率，对产生的子代个体进行变异操作。6）将完成交叉、变异操作的子代个体，替代种群中某些个体，达到更新种群的目的。7）再次计算种群的适应度，找出当前的最优个体。8）判断是否满足终止条件，不满足则返回第3）步继续迭代，满足则退出迭代过程，第7）步中得到的当前最优个体，通过解码，就作为本次算法的近似最优解。具体你可以到百度文库去搜索遗传算法相关的论文，很多的。你也可以参考百度百科里对遗传算法的介绍。
以下是遗传算法的伪代码。 begin: i = 0; //进化种群代数 initialize p(i); //初始化种群 fitness p(i); //“适者生存”遗传选择 while(not terminate-condition) //不满足终止条件时，循环 i ++; //循环 ga-operation p(i); //遗传算法运算or操作 fitness p(i); //“适者生存”遗传选择 } end. //结束算法希望对你有所帮助！

文章TAG：遗传  遗传算法  流程  流程图  遗传算法流程图  搜  
下一篇