精英選擇遺傳演算法

❶ 請問遺傳演算法精英保留策略就是指精英選擇嗎怎麼在聯賽選擇中加入精英策略，請問大致思想是什麼

不管採用哪種選擇方法，目的是將對結果有利的基因選出來，參加下一次進化。

如果，演算法中採用概率類的選擇方法，可能會導致本次計算最優的基因（精英）沒有被選上。

通常，採用精英保留策略，就是直接將這些（或這個）最優基因，不通過選擇，直接參加下一次進化。

理解了，其實是比較好實現的。

但是一定要選擇合適的比例。比例太大，進化太慢。

❷ 關於遺傳演算法選擇概率的和的計算過程——數學達人請進！

首先y=x*x在[0,31]這個函數的極值是取31的時候，用遺傳演算法來解答這樣的問題是內有點多餘容的。遺傳演算法的主要步驟是4步，初始化種群，選擇，交叉，變異。這里說的淘汰函數，很可能就是在選擇選擇運算元，這個運算元是根據最適合最優先的演算法來實現。舉個簡單的例子，你要用數字進行遺傳演算法，肯定得把他轉化為2進制的染色體，【0-31】就是從00000-11111，每條染色體5個基因。對於選擇運算來說，每次要從種群選擇最優的幾個，第一次完全是隨機的。假如隨機選4個染色體，選的4條染色體是1,2,3,4。很明顯他們的值是1,4,9,16，總和是30，那麼選擇4的概率就是30分之16，這樣就可以盡可能的選擇大的數值。這里的淘汰域3，可能是每次淘汰3條染色體，或者每次只選擇3條最優的染色體，視其選擇的條數而定。我看在程序里沒有用到這個東西。遺傳演算法以及進化演算法不限定於特殊的程序，每個人有不同的理解，不必拘泥於概念。

❸ 遺傳演算法的優缺點

優點：

1、遺傳演算法是以決策變數的編碼作為運算對象，可以直接對集合、序列、矩陣、樹、圖等結構對象進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。

另一方面也使得遺傳演算法具有廣泛的應用領域，如函數優化、生產調度、自動控制、圖像處理、機器學習、數據挖掘等領域。

2、遺傳演算法直接以目標函數值作為搜索信息。它僅僅使用適應度函數值來度量個體的優良程度，不涉及目標函數值求導求微分的過程。因為在現實中很多目標函數是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。

3、遺傳演算法具有群體搜索的特性。它的搜索過程是從一個具有多個個體的初始群體P(0)開始的，一方面可以有效地避免搜索一些不必搜索的點。

另一方面由於傳統的單點搜索方法在對多峰分布的搜索空間進行搜索時很容易陷入局部某個單峰的極值點，而遺傳演算法的群體搜索特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全局搜索性。

4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜索更為靈活，參數對其搜索效果的影響也盡可能的小。

5、遺傳演算法具有可擴展性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。

缺點：

1、遺傳演算法在進行編碼時容易出現不規范不準確的問題。

2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。

3、遺傳演算法效率通常低於其他傳統的優化方法。

4、遺傳演算法容易出現過早收斂的問題。

(3)精英選擇遺傳演算法擴展閱讀

遺傳演算法的機理相對復雜，在Matlab中已經由封裝好的工具箱命令，通過調用就能夠十分方便的使用遺傳演算法。

函數ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最優解，fval是最優值，@fitnessness是目標函數，nvars是自變數個數，options是其他屬性設置。系統默認求最小值，所以在求最大值時應在寫函數文檔時加負號。

為了設置options，需要用到下面這個函數：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通過這個函數就能夠實現對部分遺傳演算法的參數的設置。

❹ 遺傳演算法中的排序選擇策略選擇最優的復制到下一代是不是已經包含了精英保留策略的作用

這得看你的排序選擇策略是怎樣的。
一種排序是只對當代種群進行排序，這種排序選擇方式並不包含精英保留策略的作用。
另一種排序是把上一次種群放一直排序，這種方式包含了精英保留策略的作用。
例如有初始種群包含個體為A1,A2,A3,A4，經過適應度計算後得知最優個體為順序為A2,A1,A3,A4，經過排序選擇後為A2,A2,A1,A3，然後經過交叉和變異後的變為B1,B2,B3,B4，而B1,B2,B3,B4的適應度均沒有A2大，那麼如果採用第一種排序方式，只對B1-B4排序選擇，那麼將丟失A2這一優良個體，所以並不包含精英保留作用。如果將B1-B4與A1-A2一起排序，那麼由於A2適應度最大，因此必然會選到A2，等效於精英保留策略。

❺ 遺傳演算法中的精英策略是什麼意思啊

就是精英保存策略，每一代個體中較好的一部分個體，不參與交叉和變異，直接保存到下一代。

❻ 遺傳演算法，種群選擇100或者50的區別，如果選擇過多會怎麼樣

數量越少越容易發生遺傳漂變，偏離理論值。

❼ 遺傳演算法精英保留策略

我認為你的做法是對的，雖然每個人的做法有所不同。《遺傳演算法原理及應用》這本書中介紹的最優保存策略是這樣的：即當前種群中適應度最高的個體不參與交叉運算和變異運算，而是用它來替換掉本代群體中經過交叉、變異等遺傳操作後所產生的適應度最低的個體。
如果是在遺傳操作之後再採取最優保存，那麼上一代的最優個體沒准就在操作過程中被破壞了、丟失了。

❽ 什麼叫遺傳演算法，遺傳演算法有什麼用希望通俗一點兒

首先有個很神奇的現象：人類以及動物的進化都是朝著好的方向發展，雖然有的往壞的方向發展了，但是總體肯定是往好的方向發展。這看似不奇怪，但是我們知道，人類的基因組合是隨機的，沒有上帝約束。這種隨機過程的結果卻是一致的！！！！！我們的遺傳演算法就是從這里得到啟發！比如我要求y=x1+x2的最大值，兩個變數，我不用傳統的數學方法，就用幼兒園的方法，把所有可能取值帶進去算，然後找出最大的就行了！但是，有時候取值是連續的，沒關系！使其離散化，就像把模擬信號化成數字信號一樣！還有個問題，如果取值太多咋辦？這就是遺傳演算法的精髓！
首先，我不用取所有可能取值，我只取幾十個或者幾百個（自己定），然後進行處理，怎樣處理呢？讓我們回到剛開始的人類進化問題，雖然沒有上帝的幫忙，但是我們知道，自然界遵循優勝劣汰的發賊，遵循交叉變異的法則，雖然不能數字化，但是這是個趨勢！我們就是把這種法則數學化！所取的幾十個值我要剩下哪些？要拋棄哪些？要處理哪些？這都要我們自己選擇，肯定是選擇最合適的取值留下，經過一系列的處理，就生成了新的群體，然後再處理，自己約定處理到第幾次就可以了，取出現過的最大值
不用擔心取到的是不是最大值，因為數學上已經有了證明，這種方法是收斂的，概率是1，所以盡管放心的做，具體的做法要參考相關書籍，不難的。
遺傳演算法的最大用處就是解決數學理論不能解決的問題！比如路徑規劃，調度問題……

❾ 精英保留策略的遺傳演算法中做種是什麼意思

我認為你的做法是對的，雖然每個人的做法有所不同。《遺傳演算法原理及應用》這本書中介紹的最優保存策略是這樣的：即當前種群中適應度最高的個體不參與交叉運算和變異運算，而是用它來替換掉本代群體中經過交叉、變異等遺傳操作後所產生的適應度最低的個體。如果是在遺傳操作之後再採取最優保存，那麼上一代的最優個體沒准就在操作過程中被破壞了、丟失了。

❿ 關於遺傳演算法選擇概率的和

如果用輪盤賭選擇法，則待選擇的個體選擇概率之和一定是1；
如果是基於排序專的選擇，則不需要計屬算每個個體的選擇概率，也就談不上概率之和是不是1的說法。

我不知道你看的是什麼資料，不同的資料對排序選擇法的說明不同。一般情況下，排序不是根據個體在群體中的位置來確定什麼復制概率的，而是根據每個個體的適應度好壞來排序的。