本文目录一览

1，遗传算法的核心是什么

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

遗传算法的核心是什么

2，简要说明遗传算法中交叉和变异概率是如何设定的

遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。

简要说明遗传算法中交叉和变异概率是如何设定的

3，遗传算法路径规划是什么原理

遗传算法在很多领域都得到应用；从神经网络研究的角度上考虑，最关心的是遗传算法在神经网络的应用。在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入了解，灵活应用，以及进一步研究开发。一、遗传算法的特点1．遗传算法从问
个人认为多岛遗传算法的提出是为了增加样本的多样性,防止多早收敛,至于计算量我认为并没有增加多少,它并没有额外增加种群的数量只是把种群再分成几个岛,在各个岛上分别进行传统遗传算法的计算,一个岛相当于一个“小生境”，对保持群体多样性有作用，但其主要意图是增加算法的多峰搜索能力！！

遗传算法路径规划是什么原理

4，请教用遗传算法优化神经网络的源程序

建议你参考一下雷英杰《matlab 遗传算法工具箱与应用》这本书，上面介绍的很明白。
原理大概是，设置一个初始种群，种群里的个体就是平滑因子，经过遗传算法的选择、交叉、变异后，逐渐找到一个最佳的spread，即为最终结果。附件是一个GA-BP算法的程序，虽然不同，但是原理是相近的，可以参考。遗传算法的基本运算过程如下：a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。b)个体评价：计算群体P(t)中各个个体的适应度。c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

5，什么叫遗传算法遗传算法有什么用希望通俗一点儿

首先有个很神奇的现象：人类以及动物的进化都是朝着好的方向发展，虽然有的往坏的方向发展了，但是总体肯定是往好的方向发展。这看似不奇怪，但是我们知道，人类的基因组合是随机的，没有上帝约束。这种随机过程的结果却是一致的！！！！！我们的遗传算法就是从这里得到启发！比如我要求y=x1+x2的最大值，两个变量，我不用传统的数学方法，就用幼儿园的方法，把所有可能取值带进去算，然后找出最大的就行了！但是，有时候取值是连续的，没关系！使其离散化，就像把模拟信号化成数字信号一样！还有个问题，如果取值太多咋办？这就是遗传算法的精髓！ 首先，我不用取所有可能取值，我只取几十个或者几百个（自己定），然后进行处理，怎样处理呢？让我们回到刚开始的人类进化问题，虽然没有上帝的帮忙，但是我们知道，自然界遵循优胜劣汰的发贼，遵循交叉变异的法则，虽然不能数字化，但是这是个趋势！我们就是把这种法则数学化！所取的几十个值我要剩下哪些？要抛弃哪些？要处理哪些？这都要我们自己选择，肯定是选择最合适的取值留下，经过一系列的处理，就生成了新的群体，然后再处理，自己约定处理到第几次就可以了，取出现过的最大值 不用担心取到的是不是最大值，因为数学上已经有了证明，这种方法是收敛的，概率是1，所以尽管放心的做，具体的做法要参考相关书籍，不难的。 遗传算法的最大用处就是解决数学理论不能解决的问题！比如路径规划，调度问题……
购买时:申购费1.5%申购费用=认购金额/(1+认购费率)×认购费率=1000/(1+1.5%)*1.5%=14.78元申购份额=(1000-14.78)/1.1235=876.92赎回时:收取0.5%的赎回费赎回费用=876.92*1.1583*0.5%=5.08赎回金额=876.92*1.1583-5.08=1010.66元一天的净收益=1010.66-1000=10.66元需要注意的是当天购买的基金要按当天收市后(16点)的基金净值计算.

6，请问一下能通俗的介绍一下什么是遗传算法吗

遗传算法(Genetic Algorithms or GAs)是基于自然选择和自然遗传机制的搜索算法，它是一种有效的解决最优化问题的方法。遗传算法最早是由美国Michigan大学的John Holland和他的同事及学生提出的。类似于自然界演化的基本法则，“适者生存”是遗传算法的核心机制，同样，“复制（reproduce）”、“杂交(crossover)”、“变异(mutation)”等自然界的生物演化规则在遗传算法中都得到类似的体现。 用遗传算法解最优化问题，首先应对可行域中的个体进行编码，然后在可行域中随机挑选指定群体大小的一些个体组成作为进化起点的第一代群体，并计算每个个体的目标函数值，即该个体的适应度。接着就像自然界中一样，利用选择机制从群体中随机挑选个体作为繁殖过程前的个体样本。选择机制保证适应度较高的个体能够保留较多的样本；而适应度较低的个体则保留较少的样本，甚至被淘汰。在接下去的繁殖过程中，遗传算法提供了交叉和变异两种算法对挑选后的样本进行交换和基因突变。交叉算法交换随机挑选的两个个体的某些位，变异算子则直接对一个个体中的随机挑选的某一位进行突变。这样通过选择和繁殖就产生了下一代群体。重复上述选择和繁殖过程，直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。 与其他算法相比，遗传算法主要有以下四个方面的不同： 遗传算法所面向的对象是参数集的编码,而不是参数集本身； 遗传算法的搜索是基于若干个点，而不是基于一个点； 遗传算法利用目标函数的信息，而不是导数或者其他辅助信息； 遗传算法的转化规则是概率性的，而不是确定性的。
王小平的《遗传算法——理论、应用与软件实现》属于较为经典的书，很多人都是看这本书入门的焦李成等主编的《协同进化计算与多智能体系统》是一本非常好的书，内容不但新颖实用，后面的参考资料也非常丰富，而且大都是这方面的研究前沿和研究热点。这本书还是国家863和973计划资助的，很值得学习。论文方面国内的你可以搜一下钟伟才的论文，他应该是焦的学生（我猜的），他们都是西安电子科技大学雷达信号处理国家重点实验室的专家。多智能体系统，免疫进化计算，协同进化，粒子群遗传算法应该是这几年比较热的题目如果你是做数值优化或者是多目标计算，你重点要弄清实数编码的遗传算法，如果是tsp或者是背包问题，则要深入了解二进制编码的遗传算法。向你推荐两篇文章：《an orthogonal genetic algorithm with quantization for global numerical optimition》《a fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: nsga-ii》第一篇主要解决超高维（几百甚至上千维，不过我给你推荐的第二本书已经将这个纪录推到了上万维）问题。第二篇主要讲了一下利用协同进化的方法，求解多目标优化的问题，在实际应用价值很大。我的邮箱hu_hu605@163.com

文章TAG：遗传算法原理  遗传算法的核心是什么  
下一篇
展开更多