53.2. 基因算法

基因算法(GA)是一种启发式的优化法,它是通过不确定的随机搜索进行操作。 优化问题的可能解的集合被认为是个体组成的种群。 一个个体对它的环境的适应程度由它的适应性表示。

一个个体在搜索空间里的参照物用染色体表示(实际上是一套字符串)。 一个基因是染色体的一个片段,基因是被优化的单个参数的编码。 对一个基因的典型的编码可以是二进制整数

通过仿真进化过程的重组变异选择找到新一代的搜索点,它们的平均适应性要比它们的祖先好。

根据comp.ai.genetic FAQ ,不论怎么强调GA在解决一个问题时不是纯随机搜索都不过份。 GA使用随机处理,但是结果明显不是随机的(比随机更好)。

Figure 53-1. 基因算法的结构化框图

P(t) 时刻 t 的父代
P''(t) 时刻 t 的子代
+=========================================+
|>>>>>>>>>>>  Algorithm GA  <<<<<<<<<<<<<<|
+=========================================+
| INITIALIZE t := 0                       |
+=========================================+
| INITIALIZE P(t)                         |
+=========================================+
| evaluate FITNESS of P(t)                |
+=========================================+
| while not STOPPING CRITERION do         |
|   +-------------------------------------+
|   | P'(t)  := RECOMBINATION{P(t)}       |
|   +-------------------------------------+
|   | P''(t) := MUTATION{P'(t)}           |
|   +-------------------------------------+
|   | P(t+1) := SELECTION{P''(t) + P(t)}  |
|   +-------------------------------------+
|   | evaluate FITNESS of P''(t)          |
|   +-------------------------------------+
|   | t := t + 1                          |
+===+=====================================+