精英选择遗传算法

❶ 请问遗传算法精英保留策略就是指精英选择吗怎么在联赛选择中加入精英策略，请问大致思想是什么

不管采用哪种选择方法，目的是将对结果有利的基因选出来，参加下一次进化。

如果，算法中采用概率类的选择方法，可能会导致本次计算最优的基因（精英）没有被选上。

通常，采用精英保留策略，就是直接将这些（或这个）最优基因，不通过选择，直接参加下一次进化。

理解了，其实是比较好实现的。

但是一定要选择合适的比例。比例太大，进化太慢。

❷ 关于遗传算法选择概率的和的计算过程——数学达人请进！

首先y=x*x在[0,31]这个函数的极值是取31的时候，用遗传算法来解答这样的问题是内有点多余容的。遗传算法的主要步骤是4步，初始化种群，选择，交叉，变异。这里说的淘汰函数，很可能就是在选择选择算子，这个算子是根据最适合最优先的算法来实现。举个简单的例子，你要用数字进行遗传算法，肯定得把他转化为2进制的染色体，【0-31】就是从00000-11111，每条染色体5个基因。对于选择运算来说，每次要从种群选择最优的几个，第一次完全是随机的。假如随机选4个染色体，选的4条染色体是1,2,3,4。很明显他们的值是1,4,9,16，总和是30，那么选择4的概率就是30分之16，这样就可以尽可能的选择大的数值。这里的淘汰域3，可能是每次淘汰3条染色体，或者每次只选择3条最优的染色体，视其选择的条数而定。我看在程序里没有用到这个东西。遗传算法以及进化算法不限定于特殊的程序，每个人有不同的理解，不必拘泥于概念。

❸ 遗传算法的优缺点

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

(3)精英选择遗传算法扩展阅读

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

❹ 遗传算法中的排序选择策略选择最优的复制到下一代是不是已经包含了精英保留策略的作用

这得看你的排序选择策略是怎样的。
一种排序是只对当代种群进行排序，这种排序选择方式并不包含精英保留策略的作用。
另一种排序是把上一次种群放一直排序，这种方式包含了精英保留策略的作用。
例如有初始种群包含个体为A1,A2,A3,A4，经过适应度计算后得知最优个体为顺序为A2,A1,A3,A4，经过排序选择后为A2,A2,A1,A3，然后经过交叉和变异后的变为B1,B2,B3,B4，而B1,B2,B3,B4的适应度均没有A2大，那么如果采用第一种排序方式，只对B1-B4排序选择，那么将丢失A2这一优良个体，所以并不包含精英保留作用。如果将B1-B4与A1-A2一起排序，那么由于A2适应度最大，因此必然会选到A2，等效于精英保留策略。

❺ 遗传算法中的精英策略是什么意思啊

就是精英保存策略，每一代个体中较好的一部分个体，不参与交叉和变异，直接保存到下一代。

❻ 遗传算法，种群选择100或者50的区别，如果选择过多会怎么样

数量越少越容易发生遗传漂变，偏离理论值。

❼ 遗传算法精英保留策略

我认为你的做法是对的，虽然每个人的做法有所不同。《遗传算法原理及应用》这本书中介绍的最优保存策略是这样的：即当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传操作后所产生的适应度最低的个体。
如果是在遗传操作之后再采取最优保存，那么上一代的最优个体没准就在操作过程中被破坏了、丢失了。

❽ 什么叫遗传算法，遗传算法有什么用希望通俗一点儿

首先有个很神奇的现象：人类以及动物的进化都是朝着好的方向发展，虽然有的往坏的方向发展了，但是总体肯定是往好的方向发展。这看似不奇怪，但是我们知道，人类的基因组合是随机的，没有上帝约束。这种随机过程的结果却是一致的！！！！！我们的遗传算法就是从这里得到启发！比如我要求y=x1+x2的最大值，两个变量，我不用传统的数学方法，就用幼儿园的方法，把所有可能取值带进去算，然后找出最大的就行了！但是，有时候取值是连续的，没关系！使其离散化，就像把模拟信号化成数字信号一样！还有个问题，如果取值太多咋办？这就是遗传算法的精髓！
首先，我不用取所有可能取值，我只取几十个或者几百个（自己定），然后进行处理，怎样处理呢？让我们回到刚开始的人类进化问题，虽然没有上帝的帮忙，但是我们知道，自然界遵循优胜劣汰的发贼，遵循交叉变异的法则，虽然不能数字化，但是这是个趋势！我们就是把这种法则数学化！所取的几十个值我要剩下哪些？要抛弃哪些？要处理哪些？这都要我们自己选择，肯定是选择最合适的取值留下，经过一系列的处理，就生成了新的群体，然后再处理，自己约定处理到第几次就可以了，取出现过的最大值
不用担心取到的是不是最大值，因为数学上已经有了证明，这种方法是收敛的，概率是1，所以尽管放心的做，具体的做法要参考相关书籍，不难的。
遗传算法的最大用处就是解决数学理论不能解决的问题！比如路径规划，调度问题……

❾ 精英保留策略的遗传算法中做种是什么意思

我认为你的做法是对的，虽然每个人的做法有所不同。《遗传算法原理及应用》这本书中介绍的最优保存策略是这样的：即当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传操作后所产生的适应度最低的个体。如果是在遗传操作之后再采取最优保存，那么上一代的最优个体没准就在操作过程中被破坏了、丢失了。

❿ 关于遗传算法选择概率的和

如果用轮盘赌选择法，则待选择的个体选择概率之和一定是1；
如果是基于排序专的选择，则不需要计属算每个个体的选择概率，也就谈不上概率之和是不是1的说法。

我不知道你看的是什么资料，不同的资料对排序选择法的说明不同。一般情况下，排序不是根据个体在群体中的位置来确定什么复制概率的，而是根据每个个体的适应度好坏来排序的。