遗传算法总结（#看了就能懂和用系列#）

Posted 2020-08-30 任先生7

Word害我重写=_=顺便重新整理下思路

背景：写论文时用到遗传算法，花了近一周时间，还算理解了算法以及能够进行基础的编程实现（保持谦虚）。

说明：具体的实现没敢细讲，主要是原理的方法上的介绍（讲解都算不上）。

先说说算法学习，个人觉得首先需要了解这个算法是拿来干嘛的，然后学习它的理论原理，多看懂几遍总是好的；结合实际例子，接着把算法的每一块儿研究清楚，通篇理解后，自己试着编程实现，这样学起来感觉也还不错。

关于遗传算法原理：模拟自然界优胜劣汰的进化现象，把搜索空间（问题解的组成空间）映射为遗传空间，把可能的解编码成一个向量——染色体，向量的每个元素称为基因。通过不断计算各染色体的适应值，选择最好的染色体，获得最优解。

简单说，就是给你一堆人儿（解和种群），让你选择一部分基因优良（解的适应度更高，比如值更大）的人出来，让他们生小孩组成后代（选择交叉和变异），把这些后代和之前选出来的父代，再比较基因优良，再选择，再遗传，这样循环，最后找出一个超级英雄（最优解）就达到目的了。

这样类似于一种无目的的搜索式寻找最优，不过遗传算法的效率更高。

关于原理，知乎上有些通俗好玩的文章可以看下：https://www.zhihu.com/question/23293449

关于算法步骤：从原理也可以总结出，主要步骤包括，适应度函数的设计，编码，选择，交叉，变异。

即是说，我们主要能用代码实现这些操作，一个算法就能基本实现了。这也算是面向对象编程了。给一张流程图：

图有点大

这流程图在整篇文字看完后在回来看一遍。（坚持，看完d===(￣▽￣*)b）

关于算法术语（偷懒截图）：

 来源某不知源课件，大学资源多

先从个体开始，我总是乐意把个体和染色体一起理解，因为染色体就是编码过后的个体，两者本质一样，只是表现方式不一样。个体就是算法的一个解，比如一个函数在某个区间内，有无数个解。而染色体，是为了让算法能更好的理解和操作我们的个体，进行的编码结果。这里的编码，就是一个转换操作。

举个栗子，求一个函数区间内最大值，我将一个值为13的解，按照6位长的二进制编码，转换为：001101，这里的13就是个体，001101就是染色体，里面的0和1就是基因。这样来，算法操作这些二值集比实数容易得多。

然后，一大堆个体组成种群，我们需要做的，就是从种群中，挑选出优良的个体（染色体），进行交叉变异，生成下一代，组成新的种群。

评价个体是否优良的标准就是适应度函数，比如求极值函数的值哪些更大或更小。适应度函数给每个个体一个评价值，然后依据评价值，我们选出一部分——如种群数量的20%——作为优良的父代，通过交叉变异，让他们产生子代，组成新的种群，再计算适应度和循环。

交叉和变异就是遗传操作。交叉，就是把染色体里的基因交换，比如吧父亲的优良基因与母亲的优良基因组合在一起，生成下一代，如图：

我们将左边两个染色体交叉，产生了右边新的两个染色体。这个时候用了编码就十分好理解了，每个染色体就是一个二进制串，如图：

这样进行交叉比用实数表示容易实现多了去了。

然后是变异，就是染色体内部的基因变异，比如改变二进制串中的某个基因值，就能产生变异。

001101?011101，对第二个基因变异，产生新的染色体（解），也就是13产生了29。

理解了术语和步骤，接下来就是具体实现。具体的实现，我结合网上找的很实用的例子，来源应该是《遗传算法工具箱》这类书。

环境：matlab和遗传算法工具箱。

首先说下工具箱，这是由外国的大神们编制的一个工具箱，里面有对应的遗传算法各个操作会用到的函数。这些函数也是重点，因为遗传算法（或者大部分算法）都是分块儿的，每一个块儿就是一个操作，每一个操作都以函数形式来表达和进行。

因此具体的实现，就是对每个操作的函数实现。代码来自《工具箱》群书，只是主要部分：

?

前4行为算法约定或约束。表明，我们每一个种群中有40个个体（染色体）。最多会遗传25代，及循环25次或者说会生成25个种群。然后编码的长度—即染色体的长度为20位（使用的二进制编码）。代沟是选择的比例，即每个种群，我们选出40*0.1=4个优良个体。

接下来就是循环的设计，在循环里边，有函数：“计算目标函数值”，在这里即是适应度函数。大多时候，适应度函数都是用原函数。

二十进制转换函数bs2rv是为了让编码后的个体能恢复实数形式并用以计算适应度。

里边的选择、重组和变异，都是通过一个函数完成：select,recombin,mut。这里的选择，就是选出优良染色体用来产生下一代。重组就是交叉；变异就是…变异。

所以你看到，每一个操作用函数就可以完成，但是要知道，这里的一个函数只是对应了一种操作模式，二每个操作都有很多模式，比如编码有二进制编码、实数编码等。选择操作有赌轮选择、锦标赛选择。交叉有单点交叉、多点交叉等。变异有基本位变异、均匀变异等。

当然每一个模式，或者方法都有对应的原理和函数，这个就自行查找学习。

所以看来遗传算法也没那么难，搞清楚每一个操作，寻找或编写对应的函数，再调用即可。

不过这只是基本遗传操作，现在更在意的是遗传算法的改进和优化，而这些改进和优化，又都是针对以上操作的模式的不足进行的优化，也是好玩。

大概就到这里，最后推荐一本书，雷英杰,老师和张善文老师主编《MATLAB遗传算法工具箱及应用》，着实实用，实际操作也有，优化也有。