一个很是好的理解遗传算法的例子 强烈推荐入门

遗传算法的手工模拟计算示例：

为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各
    个主要执行步骤。
  
     例：求下述二元函数的最大值：

    (1) 个体编码
           遗传算法的运算对象是表示个体的符号串，因此必须把变量 x1, x2 编码为一种
       符号串。本题中，用无符号二进制整数来表示。
           因 x1, x2 为 0 ~ 7之间的整数，因此分别用3位无符号二进制整数来表示，将它
       们链接在一块儿所组成的6位无符号二进制数就造成了个体的基因型，表示一个可
       行解。
           例如，基因型 X＝101110 所对应的表现型是：x＝[ 5，6 ]。
           个体的表现型x和基因型X之间可经过编码和解码程序相互转换。

(2) 初始群体的产生
          遗传算法是对群体进行的进化操做，须要给其淮备一些表示起始搜索点的初始
      群体数据。
         本例中，群体规模的大小取为4，即群体由4个个体组成，每一个个体可经过随机
     方法产生。
          如：011101，101011，011100，111001
         
 (3) 适应度汁算
          遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传
       机会的大小。
          本例中，目标函数总取非负值，而且是以求函数最大值为优化目标，故可直接
       利用目标函数值做为个体的适应度。

 (4)  选择运算
          选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。通常要求适应度较高的个体将有更多的机会遗传到下一代
      群体中。                   
本例中，咱们采用与适应度成正比的几率来肯定各个个体复制到下一代群体中
     的数量。其具体操做过程是：
         •  先计算出群体中全部个体的适应度的总和  fi  ( i=1.2,…,M );
         •  其次计算出每一个个体的相对适应度的大小 fi / fi ，它即为每一个个体被遗传
             到下一代群体中的几率，
         •  每一个几率值组成一个区域，所有几率值之和为1；
         •  最后再产生一个0到1之间的随机数，依据该随机数出如今上述哪个几率区
             域内来肯定各个个体被选中的次数。

(5)  交叉运算
        交叉运算是遗传算法中产生新个体的主要操做过程，它以某一律率相互交换某
    两个个体之间的部分染色体。
       本例采用单点交叉的方法，其具体操做过程是：
       • 先对群体进行随机配对；
       • 其次随机设置交叉点位置；
       • 最后再相互交换配对染色体之间的部分基因。

(6)  变异运算
         变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的几率进
     行改变，它也是产生新个体的一种操做方法。
        本例中，咱们采用基本位变异的方法来进行变异运算，其具体操做过程是：
        • 首先肯定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，
          其中的数字表示变异点设置在该基因座处；
        • 而后依照某一律率将变异点的原有基因值取反。

对群体P(t)进行一轮选择、交叉、变异运算以后可获得新一代的群体p(t+1)。

从上表中能够看出，群体通过一代进化以后，其适应度的最大值、平均值都得
    到了明显的改进。事实上，这里已经找到了最佳个体“111111”。       
[注意]      
        须要说明的是，表中有些栏的数据是随机产生的。这里为了更好地说明问题，
   咱们特地选择了一些较好的数值以便可以获得较好的结果，而在实际运算过程当中
   有可能须要必定的循环次数才能达到这个最优结果。