遗传算法总结
遗传算法中实数编码的经典文章实数编码遗传算法的评述
遗传算法中各种选择算子的选择压力演化算法中各种选择算子的选择压力比较_林广明
遗传算法基本思想1、首先实现从性状到基因的映射，即编码工作，然后从代表问题可能潜在解集的一个种群开始进行进化求解；2、初代种群（编码集合）产生后，按照优胜劣汰的原则，根据个体适应度大小挑选（选择）个；3、进行复制、交叉、变异，产生出代表新的解集的群体，再对其进行挑选以及一系列遗传操作，如此往复，逐代演化产生出越来越好的近似解。
遗传算法与经典算法的区别1、两者的区别遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子。（编码）遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。（对函数要求低）遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这也是遗传算法所特有的一种隐含并行性。（群体优化，并行计算，避免陷入局部最优）遗传算法使用概率搜索技术。遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解。（概率搜索）
2、遗传算法的特点：-遗传算法是对决策变量的编码进行操作，这样提供的参数信息量大，优化效果好。（编码）-遗传算法是从许多点开始并行操作，因而可以有效地防止搜索过程收敛于局部最优解。（多点并行）-遗传算法通过目标函数来计算适配值，而不需要其他推导和附加信息，从而对问题的依赖性小。（函数要求低）-遗传算法的寻优规则是由概率决定的，而非确定性的。（概率搜索）-遗传算法对于待寻优的函数基本无限制，因而应用范围较广。（函数无限制）-遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。（启发式搜索）-遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度。（并行计算）-遗传算法更适合大规模复杂问题的优化。（大规模）-遗传算法计算简单，功能强。
3、传统算法的特点：渐进收敛；经典的优化搜索算法往往是基于梯度的，梯度方向提高个体性能；单点搜索；局部最优。
遗传算法的五个关键问题Ageneticrepresentationofpotentialsolutionstotheproblem.(编码)；Awaytocreateapopulation(aninitialsetofpotentialsolutions).(群体初始化)；Anevaluationfunctionratingsolutionsintermsoftheirfitness.(个体评价)；Geneticoperatorsthatalterthegeneticcompositionofoffspring(selection,crossover,mutation,etc.).(遗传算子)；Parametervaluesthatgeneticalgorithmuses(populationsize,probabilitiesofapplyinggeneticoperators,etc.).(参数选择)。
二进制编码需要会求解精度2mj−1indind的适应度为FindFind，则它被选中的概率为：Pind=Find∑i=1nFiPind=Find∑i=1nFi
编码需要满足的条件条件：1、染色体的可行性：是指由染色体解码的解是否位于给定问题的可行区域内。2、染色体的合法性：染色体是否代表某个问题的解决方案3、映射的唯一性原则（或性能）：1、不冗余性：码空间到解空间是1对1影射；2、合法性：对编码的任意排列对对应一个解；3、完备性：任意一个解都对应一个排列；4、拉马赫性质：某个基因的等位基因的含义不依赖于其他基因选择压力对算法的影响选择压力大会使种群迅速收敛，失去多样性。较小会使种群收敛速度变得很慢。在算法的初始阶段，希望选择压力小一些，保证种群的多样性，在算法的后期希望选择压力大一些使算法迅速收敛。
选择压力的比较轮盘赌>>随机选择精英保留策略>>锦标赛选择>>轮盘赌①不确定性选择：轮盘赌（比例）选择，个体被选中的概率与其适应度大小成正比；普通采样，采用均匀分布且个数等于种群规模的旋转指针。②确定性选择：[λ+μ][λ+μ]选择（选择压力最大）；[μ,λ][μ,λ]选择；截断选择；块选择；贪婪选择③混合选择：竞赛选择；规模为2的竞赛选择。
常见的选择算子交叉算子和变异算子选择算子：轮盘赌选择，(μ+λ)(μ+λ)选择，锦标赛选择法，共享函数法，排序法，截断选择法，精英保留选择。交叉算子：单点交叉，两点交叉，算术交叉变异算子：随机变异，非一致性变异，多项式变异适应度调整的目的Tomaintainareasonabledifferentialbetweenrelativefitnessratingsofchromosomes.(维持个体之间的合理差距，加速竞争)；Topreventatoo-rapidtakeoverbysomesupperchromosomesinordertomeettherequirementtolimitcompetitionearlyon,buttostimulateitlater.(避免个体之间的差距过大，限制竞争)。
遗传算子的分类经典算子：简单交叉（单割点，二割点，多割点，均匀）；随机交叉（平面交叉，混合交叉）；随机突变（边界突变，纯突变）。算数算子：算术交叉（凸、仿射变换、线性、平均，中间）；扩展的中间交叉；动态突变（非均匀突变）。PSO算子：基于方向交叉；定向突变。随机算子：单峰正态分布的交叉；高斯变异。
选择：通过适应度的计算，淘汰不合理的个体，类似于自然界的物竞天择。交叉：编码的交叉重组，类似于染色体的交叉重组。变异：编码按小概率扰动产生的变化，类似于基因的突变。复制：编码的拷贝，类似于细胞分裂中染色体的复制。模式定理遗传算法中在选择，交叉，变异算子的作用下，具有低阶，短距，高平均适应度的模式将呈现指数增长；模式阶：指模式中具有明确含义的字符个数记作o(s)o(s)；模式的长度：指模式中第一个和最后一个具有明确含义字符之间的距离，记作δ(s)=b−aδ(s)=b−a。遗传算法中的模式定理：经过交叉和变异的操作之后，下一代种群中模式ss所拥有的个数为：复制：m(s,t+1)=m(s,t)⋅f¯(s)fm(s,t+1)=m(s,t)⋅f¯(s)f交叉：ps=1−pc⋅δ(s)λ−1ps=1−pc⋅δ(s)λ−1变异：ps=(1−pm)o(s)≈1−pm∗o(s)ps=(1−pm)o(s)≈1−pm∗o(s)结果：m(s,t+1)≈m(s,t)∗f¯(s)f¯∗[1−pc∗δ(s)λ−1−pm∗o(s)]m(s,t+1)≈m(s,t)∗f¯(s)f¯∗[1−pc∗δ(s)λ−1−pm∗o(s)]其中λλ表示字符串的长度。
积木块定理低阶，短距，且高适应度的模式，在选择，交叉和变异的遗传算子的作用下，相互结合，能生成高阶、长距、平均适应度高的模式，最终找到最优值。
其他遗传算法是由J.H.Holland于1975年提出遗传算法的生物基础是自然选择和遗传理论遗传算法是模拟生物进化机制的一种随机性全局优化算法遗传算法中最常用的选择算子是轮盘赌选择，和锦标赛选择最常用的交叉算子是单点交叉和两点交叉最常用的变异算子是基本位变异算子多目标优化是什么所谓优化就是在某种确定规则下，使得个体的性能最优。多目标优化，多于一个的数值目标在给定区域上的最优化问题称为多目标优化。
多目标优化问题的解及其形式求解多目标优化问题的过程就是寻找Pareto最优解（非劣解、有效解）的过程。即在多目标优化中对某些子目标的优化不能影响到其它子目标的优化而容许的整个多目标的最优解。所谓多目标优化问题的最优解就是指Pareto最优解，且不再包含其他最优解。
基本求解方法（找出Pareto里面需要的一个解）产生式方法如果没有先验知识，只能采用产生式方法来检验所有的非支配可选解。需要作者从整个Pareto解中做选择来进行必要的价值判断。基于偏好的方法基于偏好的方法试图得到妥协解或偏好解。基于偏好的方法能够用正式和有结构的方式来清晰表达其偏好。权重和方法：权重可以理解为目标之间相对重要性或价值，或者对目标的偏好。效用函数法：效用函数是偏好结果的一种数学表示方法，它将目标空间的点影射为实数，数越大表明对该点偏好程度越高妥协函数法：寻找与理想点最接近的解约束法适应度分配方法有哪些（1）权重和方法：权重可以理解为目标之间相对重要性或价值，或者对目标的偏好。（优点：通过算中和求得的全局最优解对应Pareto前端的一个解；局部最优解对应局部Pareto最优解；通过改变权值可以搜索到所有凸Pareto解）（缺点：不能处理非凸的Pareto；很难找到均匀分布的Pareto解）（2）矢量评价法（VEGA）：在循环过程中根据多个目标选出若干下一代中的优秀个体（即子种群），然后将整个种群打乱并执行交叉变异，目的在于不同种群之间进行信息交流，它保护了单个目标上的最优个体的生存，同时为那些多于一个目标上好于平均值的个体提供合理被选择概率。（优点：简单，适合寻找Paretofront的端点），（缺点：很难处理非凸问题）（3）Pareto等级法：根据占优划分等级，对个体适应度的分配策略。（优点：可以快速找到Pareto前端，有效保护种群多样性）（缺点：非支配排序的时间复杂度很大；不支持精英策略；需要自己指定共享参数）（4）贪婪保护法（SPEA）：在外部群体中对占优解进行排序；个体适应度与外部群体比它性能优的个体数目相关，使用Pareto支配关系保持种群多样性，使用聚类方法减少非支配集。（优点：可处理任意的目标函数，可产生解的分布，确定了一种无需参数的共享方法）（缺点：因为确定了一个外部解集，故计算量大）
解的性能比较（评价标准）是什么？性能比较方法有哪些？（1）多目标优化算法的评级指标通常有以下几项：逼近性GD(GenerationalDistance)、均匀性SP(Spacing)、宽广性EX、最优解数目ER(ErrorRatio)、收敛性度量值γγ和多样性度量值ΔΔ。逼近性GD用来描述算法所获得的非劣最优解与Pareto前端的距离均匀性SP用来描述非劣解在Pareto前端上的分布范围。宽广性EX用来描述非劣最优解的分布范围。收敛性度量值γγ用来衡量一组已知的Pareto最优解集的收敛范围。多样性度量值ΔΔ用来衡量Pareto前端的分布。
（2）以上三点对应于多目标求解的三个目标-希望算法找到的Pareto前端与实际的Pareto前端的距离应尽可能的接近；-希望找到的Pareto最优解具有较好的分布（如均匀分布、正态分布）；-希望所找到的Pareto前端的分布范围尽可能的宽广，即尽可能的覆盖每个子目标函数的可能取值范围
（3）性能的比较-直接比较法：它比较了两个非支配集AA和BB直接使用标量测度R（A，B）R（A，B），其中描述了A比B好多少。如：AA，BB。计算R（A，B）R（A，B）。优点：与独立比较相比，计算量低，不需要知道任何帕累托集；缺点：如果两套不同的基数和/或集合的分布是不均匀的，那么C的度量提供了不可靠的结果。-间接比较法：它选择一个参考集，比较两个非支配集与这个参考集，然后比较结果。如：AA，BB。中间变量为Pareto，分别和他进行对比。优点：易于理解、计算量低；缺点：需要知道Pareto前端，：度量只适用于有限数量的帕累托最优解。-独立比较法：它是衡量某些独立的属性的每个设置，并比较了这两种测量结果。如：S(A)S(A)，和S(B)S(B)，再比较它们。优点：没有必要知道帕累托或其他参考点使用、它是独立的、意义直观；缺点：需要非常大的计算量，这使得它完全适合于目标或大非大量支配集。
如何实现人工智能?人工智能对我们生活有何影响?
人工智能AI是现在以及未来的发展趋势，人工智能在当今已经为社会提供了诸多的岗位。为增进大家对人工智能的认识，本文将对人工智能的实现方式以及人工智能对我们生活的影响予以介绍。如果你对人工智能具有兴趣，不妨继续往下阅读哦。
一、人工智能实现方式
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法(ENGINEERINGAPPROACH)，它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法(MODELINGAPPROACH)，它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法(GENERICALGORITHM，简称GA)和人工神经网络(ARTIFICIALNEURALNETWORK，简称ANN)均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂(按指数式增长)，人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统(一个模块)来进行控制，这个智能系统(模块)开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。
二、人工智能如何改变我们的生活
以人工智能为代表的数字科技，为人类生活提供了重要工具，在医疗、制造、服务、城市管理等诸多领域发挥着举足轻重的作用。人工智能可以帮助各行各业进行转型升级，有效地提升了社会劳动生产率，降低了劳动成本，并对产品服务进行了优化，从而改变了生产和生活方式。近几年来，在政策和资本的推动下，人工智能的商业应用正在加速发展。
如今，人工智能技术已在教育、安全、金融、交通、医疗健康、家居、游戏娱乐等多个领域中实现了技术落地，而且其应用场景也越来越丰富。比如在智慧教育领域，以人工智能为代表的新一代信息技术的快速发展，将会对传统的教育理念、教育体系和教学模式产生革命性影响，从而进一步释放教育在推动人类社会发展过程中的巨大潜力。“AI+教育”是教育领域的一场革命。它改变了教育生态，改变了教育环境，改变了教育方式，改变了教育管理方式，改变了师生关系等。
人工智能通过图像识别技术，使教师摆脱了繁重的批改、阅卷任务;语音识别与语义分析技术，可帮助教师对英语口试的评价，并可对学生的英语发音进行纠正与改善;而人与人的互动技术，则能帮助老师在线解答学生的疑问。人工智能将教学变成了大数据分析和人工智能辅助的以学生为中心的个性化学习，为每一位学生提供个性化、定制化的学习内容和方法，从而激发学生更深层次的学习欲望。
近几年来，随着人工智能的兴起，无人驾驶技术逐渐受到人们的关注。无人驾驶技术涉及到计算机视觉和自动控制等领域。目前，国内已有多家企业针对无人驾驶车辆开展了相关研究，并已有部分企业开展了相关试验。
随着经济全球化进程的加快和互联网的快速发展，机器翻译技术在推动政治、经济和文化交流方面的价值越来越突出，同时也给人们的生活带来了很多方便。举个例子，当我们读到英文文献的时候，通过有道翻译公司，谷歌翻译公司，把英文翻译成中文很容易，这样就不用再去查字典了，可以大大提高工作效率。
在智能家居领域中，利用人工智能技术，能够丰富家用电器的功能，实现家电的智能化升级，并为各种音乐类智能辅助设备提供智能服务和类型的人工智能应用模式。在此基础上，通过智能传感技术，实现用户自身及家庭的安全保障，并监测用户自身健康、儿童及宠物的健康状况。
农业人工智能技术的应用能够提高劳动生产率，提高资源利用率，提高土地产出率，提高农业的抗风险能力，保证国家的粮食安全和生态安全，实现农业的可持续发展，推动从传统农业到现代农业的跨越式发展，全方位地帮助农业实现生产智能化、经营网络化、管理数据化和服务网络化。
医学图像处理作为人工智能技术在医学领域的一个典型应用，其处理对象为临床应用广泛的磁共振、超声等多种成像机制产生的医学图像。本申请可辅助医生对病灶等靶区进行定性乃至定量分析，提高医学诊断的准确度与可靠性。除此之外，它还可以用于医学教学，手术规划，手术模拟，各种医学研究，以及二维影像重建等。
以上就是小编这次想要和大家分享的有关的人工智能的内容，希望大家对本次分享的内容已经具有一定的了解。如果您想要看不同类别的文章，可以在网页顶部选择相应的频道哦。