現(xiàn)代生物遺傳學(xué)中描述的生物進(jìn)化理論:
　　遺傳物質(zhì)的主要載體是染色體(chromsome),染色體主要由DNA和蛋白質(zhì)組成。其中DNA為最主要的遺傳物質(zhì)。 基因(gene)是有遺傳效應(yīng)的片斷,它存儲(chǔ)著遺傳信息,可以準(zhǔn)確地復(fù)制,也能發(fā)生突變,并可通過控制蛋白質(zhì)的合成而控制生物的狀態(tài).生物自身通過對(duì)基因的復(fù)制(reproduction)和交叉(crossover,即基因分離,基因組合和基因連鎖互換)的操作時(shí)其性狀的遺傳得到選擇和控制。生物的遺傳特性,使生物界的物種能保持相對(duì)的穩(wěn)定;生物的變異特性,使生物個(gè)體產(chǎn)生新的性狀,以至于形成了新的物種(量變積累為質(zhì)變),推動(dòng)了生物的進(jìn)化和發(fā)展。

　　遺傳學(xué)算法和遺傳學(xué)中的基礎(chǔ)術(shù)語比較

　　染色體又可以叫做基因型個(gè)體(individuals),一定數(shù)量的個(gè)體組成了群體(population),群體中個(gè)體的數(shù)量叫做群體大小。各個(gè)個(gè)體對(duì)環(huán)境的適應(yīng)程度叫做適應(yīng)度(fitness)

　　遺傳算法的準(zhǔn)備工作:
　　1)數(shù)據(jù)轉(zhuǎn)換操作,包括表現(xiàn)型到基因型的轉(zhuǎn)換和基因型到表現(xiàn)型的轉(zhuǎn)換。前者是把求解空間中的參數(shù)轉(zhuǎn)化成遺傳空間中的染色體或者個(gè)體(encoding),后者是它的逆操作(decoding)
　　2)確定適應(yīng)度計(jì)算函數(shù),可以將個(gè)體值經(jīng)過該函數(shù)轉(zhuǎn)換為該個(gè)體的適應(yīng)度,該適應(yīng)度的高低要能充分反映該個(gè)體對(duì)于解得優(yōu)秀程度。非常重要的過程！

　　遺傳算法的基本步驟
　　遺傳算法是具有"生成+檢測(cè)"(generate-and-test)的迭代過程的搜索算法。 基本過程為:
　　1)編碼,創(chuàng)建初始集團(tuán)
　　2)集團(tuán)中個(gè)體適應(yīng)度計(jì)算
　　3)評(píng)估適應(yīng)度
　　4)根據(jù)適應(yīng)度選擇個(gè)體
　　5)被選擇個(gè)體進(jìn)行交叉繁殖,
　　6)在繁殖的過程中引入變異機(jī)制
　　7)繁殖出新的集團(tuán),回到第二步

　　一個(gè)簡(jiǎn)單的遺傳算法的例子:求 [0,31]范圍內(nèi)的y=(x-10)^2的最小值
　　1)編碼算法選擇為"將x轉(zhuǎn)化為2進(jìn)制的串",串的長(zhǎng)度為5位。(等位基因的值為0 or 1)
　　2)計(jì)算適應(yīng)度的方法是:先將個(gè)體串進(jìn)行解碼,轉(zhuǎn)化為int型的x值,然后使用y=(x-10)^2作為其適應(yīng)度計(jì)算合適(由于是最小值,所以結(jié)果越小,適應(yīng)度也越好)
　　3)正式開始,先設(shè)置群體大小為4,然后初始化群體 => (在[0,31]范圍內(nèi)隨機(jī)選取4個(gè)整數(shù)就可以,編碼)
　　4)計(jì)算適應(yīng)度Fi(由于是最小值,可以選取一個(gè)大的基準(zhǔn)線1000,Fi = 1000 - (x-10)^2)
　　5)計(jì)算每個(gè)個(gè)體的選擇概率.選擇概率要能夠反映個(gè)體的優(yōu)秀程度.這里用一個(gè)很簡(jiǎn)單的方法來確定選擇概率
　　P=Fi / TOTAL(Fi).
　　6)選擇.
　　根據(jù)所有個(gè)體的選擇概率進(jìn)行淘汰選擇.這里使用的是一個(gè)賭輪的方式進(jìn)行淘汰選擇.先按照每個(gè)個(gè)體的選擇概率創(chuàng)建一個(gè)賭輪,然后選取4次,每次先產(chǎn)生一個(gè)0-1的隨機(jī)小數(shù),然后判斷該隨機(jī)數(shù)落在那個(gè)段內(nèi)就選取相對(duì)應(yīng)的個(gè)體.這個(gè)過程中,選取概率P高的個(gè)體將可能被多次選擇,而概率低的就可能被淘汰.

　　下面是一個(gè)簡(jiǎn)單的賭輪的例子
   13%               35%                    15%                 37%       
----------|----------------------------|------------|-*-------------------------|
   個(gè)體1              個(gè)體2                  個(gè)體3    ^0.67    個(gè)體4
　　隨機(jī)數(shù)為0.67落在了個(gè)體4的端內(nèi).本次選擇了個(gè)體4. 被選中的個(gè)體將進(jìn)入配對(duì)庫(mating pool,配對(duì)集團(tuán))準(zhǔn)備開始繁殖.
　　7)簡(jiǎn)單交叉
　　先對(duì)配對(duì)庫中的個(gè)體進(jìn)行隨機(jī)配對(duì).然后在配對(duì)的2個(gè)個(gè)體中設(shè)置交叉點(diǎn),交換2個(gè)個(gè)體的信息后產(chǎn)生下一代. 比如( | 代表簡(jiǎn)單串的交叉位置)
　　 ( 0110|1, 1100|0 ) --交叉--> (01100,11001)
 　　( 01|000, 11|011 ) --交叉--> (01011,11000)
　　2個(gè)父代的個(gè)體在交叉后繁殖出了下一代的同樣數(shù)量的個(gè)體. 復(fù)雜的交叉在交叉的位置,交叉的方法,雙親的數(shù)量上都可以選擇.其目的都在于盡可能的培育出更優(yōu)秀的后 代

　　8)變異

　　變異操作時(shí)按照基因座來的.比如說沒計(jì)算2萬個(gè)基因座就發(fā)生一個(gè)變異(我們現(xiàn)在的每個(gè)個(gè)體有5個(gè)基因座.也就是說要進(jìn)化1000代后才會(huì)在其中的某個(gè)基因座發(fā)生一次變異.)變異的結(jié)果是基因座上的等位基因發(fā)生了變化.我們這里的例子就是把0變成1或則1變成0.

　　至此,我們已經(jīng)產(chǎn)生了一個(gè)新的(下一代)集團(tuán).然后回到第4步,周而復(fù)始,生生不息下去:)

　　偽代碼實(shí)例(適合愛看代碼的朋友~):

//Init population
foreach individual in population
{
     individual = Encode(Random(0,31));
}

while (App.IsRun)
{ 
     //計(jì)算個(gè)體適應(yīng)度
     int TotalF = 0;
     foreach individual in population
     {
      individual.F = 1000 - (Decode(individual)-10)^2;
      TotalF += individual.F;
     }

     //------選擇過程,計(jì)算個(gè)體選擇概率-----------
     foreach individual in population
     {
          individual.P = individual.F / TotalF;
     }
     //選擇
     for(int i=0;i<4;i++)
     {
          //SelectIndividual(float p)是根據(jù)隨機(jī)數(shù)落在段落計(jì)算選取哪個(gè)個(gè)體的函數(shù)
          MatingPool[i] = population[SelectIndividual(Random(0,1))];
     }
     //-------簡(jiǎn)單交叉---------------------------
     //由于只有4個(gè)個(gè)體,配對(duì)2次
     for(int i=0;i<2;i++)
     {
          MatingPool.Parents[i].Mother = MatingPool.RandomPop();
          MatingPool.Parents[i].Father = MatingPool.RandomPop();
        }

     //交叉后創(chuàng)建新的集團(tuán)
     population.Clean();
     foreach Parent in MatingPool.Parents
     {
          //注意在copy 雙親的染色體時(shí)在某個(gè)基因座上發(fā)生的變異未表現(xiàn).
          child1 = Parent.Mother.DivHeader + Parent.Father.DivEnd;
          child2 = Parent.Father.DivHeader + Parent.Mother.DivEnd;
          population.push(child1);
          population.push(child2);
     }
}          

        

        
        
      
        
it知識(shí)庫：遺傳算法介紹(內(nèi)含實(shí)例)，轉(zhuǎn)載需保留來源！
        
鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。