遗传算法的算法思想

❶ 蚂蚁算法的思想进化公式及遗传算法的算法流程图

抄的
目前蚁群算法主要用在组合优化方面，基本蚁群算法的思路是这样的：
1. 在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。
2. 在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线(selection)，更倾向于选择信息素多的路径走（当然也有随机性）。
3. 又到了再下一个状态，刚刚没有蚂蚁经过的路线上的信息素不同程度的挥发掉了(evaporation)，而刚刚经过了蚂蚁的路线信息素增强(reinforcement)。然后又出动一批蚂蚁，重复第2个步骤。
每个状态到下一个状态的变化称为一次迭代，在迭代多次过后，就会有某一条路径上的信息素明显多于其它路径，这通常就是一条最优路径。

关键的部分在于步骤2和3：
步骤2中，每只蚂蚁都要作出选择，怎样选择呢？
selection过程用一个简单的函数实现：
蚂蚁选择某条路线的概率＝该路线上的信息素÷所有可选择路线的信息素之和
假设蚂蚁在i点，p(i,j)表示下一次到达j点的概率，而τ(i,j)表示ij两点间的信息素，则：
p(i,j)＝τ(i,j)/∑τ(i)
（如果所有可选路线的信息素之和∑τ(i)＝0，即前面还没有蚂蚁来过，概率就是一个[0,1]上的随机值，即随机选择一条路线）
步骤3中，挥发和增强是算法的关键所在（也就是如何数学定义信息素的）
evaporation过程和reinforcement过程定义了一个挥发因子，是迭代次数k的一个函数
ρ(k)＝1－lnk/ln(k+1)
最初设定每条路径的信息素τ(i,j,0)为相同的值
然后，第k+1次迭代时，信息素的多少
对于没有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)，显然信息素减少了
有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)＋ρ(k)/|W|，W为所有点的集合

为什么各个函数要如此定义，这个问题很难解释清楚，这也是算法的精妙所在。如此定义信息素的挥发和增强，以及路径选择，根据马尔可夫过程（随机过程之一）能够推导出，在迭代了足够多次以后，算法能够收敛到最佳路径。

❷ 遗传算法的特点

遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为：
① 首先组成一组候选解
② 依据某些适应性条件测算这些候选解的适应度
③ 根据适应度保留某些候选解，放弃其他候选解
④ 对保留的候选解进行某些操作，生成新的候选解。
在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。
遗传算法还具有以下几方面的特点：
(1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。
(2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。
(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。
(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。
(5)具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。
(6)此外，算法本身也可以采用动态自适应技术，在进化过程中自动调整算法控制参数和编码精度，比如使用模糊自适应法 。

❸ 遗传算法思想

首先初始化，包括种群的大小，编码的方案，遗传的代数，变异的概率，等等；
然后进行选择操作；
接着是将选择的个体进行交叉，；
然后再进行选择，并将选择的个体进行变异；
最后就是更新最优值了。
大体过程就是这样了。

❹ 通过一个实例，叙述该混合遗传算法的基本思想是什么其基本构成原则是什么

您好，我看到您的问题很久没有人来回答，但是问题过期无人回答会被扣分的并且你的悬赏分也会被没收！所以我给你提几条建议：

一，你可以选择在正确的分类下去提问，这样知道你问题答案的人才会多一些，回答的人也会多些。

二，您可以到与您问题相关专业网站论坛里去看看，那里聚集了许多专业人才，一定可以为你解决问题的。

三，你可以向你的网上好友问友打听，他们会更加真诚热心为你寻找答案的，甚至可以到相关网站直接搜索.

四，网上很多专业论坛以及知识平台，上面也有很多资料，我遇到专业性的问题总是上论坛求解决办法的。

五，将你的问题问的细一些，清楚一些！让人更加容易看懂明白是什么意思!

谢谢采纳我的建议! !

❺ 遗传算法涉及到分片思想吗

遗传算法的中心思想就是对一定数量个体组成的生物种群进行选择、交叉、变异等遗传操作,最终求得最优解或近似最优解。在进行遗传操作时,几个重要的参数为:染色体长度L,种群大小M,交叉概率Pc,变异概率Pm,终止代数T。

❻ 遗传算法的核心是什么！

运算的核心是评价函数的确定，先确定评价函数后，根据评价函数设计编码的方案。先将编码转为实数再代入评价函数这个是初学者常有的错误思路：编码不一定是数，也可以是复杂的信号序列，筛选的核心是如何设计交叉和变异的方式，从原理上避免变异产生无效的序列，加快搜索进程

❼ 遗传算法的基本原理

遗传算法通常的实现方式，就是用程序来模拟生物种群进化的过程。对于一个求最优解的问题，我们可以把一定数量的候选解（称为个体）抽象地表示为染色体，使种群向更好的解来进化。大家知道，使用算法解决问题的时候，解通常都是用数据或者字符串等表示的，而这个数据或字符串对应到生物中就是某个个体的“染色体”。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中评价其在整个种群的适应度，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的种群，该种群在算法的下一次迭代中成为当前种群。其具体的计算步骤如下：
编码：将问题空间转换为遗传空间；
生成初始种群：随机生成P个染色体；
种群适应度计算：按照确定的适应度函数，计算各个染色体的适应度；
选择：根据染色体适应度，按照选择算子进行染色体的选择；
交叉：按照交叉概率对被选择的染色体进行交叉操作，形成下一代种群；
突变：按照突变概率对下一代种群中的个体进行突变操作；
返回第3步继续迭代，直到满足终止条件。

❽ 遗传算法中的锦标赛选择算法的思想是什么

我理解的抄是，在50个人中，随机选择袭两组人，每组10个人，对于每组的10个人按适应度进行排列，选择两组中适应度最好的两个个体作为母代进行两两交叉；
然后再从剩下来的48个人中，随机选择两组人，每组10个人，对于每组的10个人按适应度进行排列，选择两组中适应度最好的两个个体作为母代进行两两交叉；
依此类推，知道你选出的母代个数满足你的要求，这里母代个数肯定是少于50的。

❾ 遗传算法是数据挖掘算法吗

不是。遗传算法可以用于蕨类，但绝不限于此，实际它的应用极广，它是种优化算法，是种算法设计思想，比如贪吃法和动态规划，绝不会局限于某个应用领域。数据挖掘算法太窄了，像apriori,k-mean等算法都是针对关联规则挖掘和聚类提出的具体算法。