pg下载 遗传算法简单易懂的例子(经典实例)

换一种说法，在计算机科学领域之内，好多问题能够被抽象成优化问题，也就是在于诸多可能的解决办法当中寻觅到最优的那一个法，传统的优化办法像梯度下降法、线性规划等当遭遇高维复杂问题的时候常常显得心有力衰之感，另，遗传算法创造了一种全新的思路，此算法借助模拟自然界的进化进程，一步步筛选出最优结，接下来，我们会经由一个具体的例子去详细讲解遗传算法的工作原理。

经典实例：旅行商问题

把我们先来看一个经典的优化问题，也就是旅行商问题，它是（Traveling Salesman Problem, TSP），假设有一个要访问多个城市的旅行商人，每个城市只能被访问一回，到头来返回起点，目标是找出一条最短的路径，从而让总行程成为最短，问题看上去简单不过随便城市数量增多，解决方案的搜索空间呈指数级增长，传统办法难以高效解决，那么遗传算法怎么处理这个问题呢？ )。

表示与编码

解问题之结果，我们需予以编码。就TSP问题而言，路径可被表示成城市之序列。比如说，具四个城市，分别为A、B、C、D，一条有可能的路径能够是。

A -> B -> C -> D -> A

。这种表示方法被称为染色体pg下载麻将胡了A.旗舰厅进体育.cc，其中的每个元素称为基因。

初始种群

紧接着，随机去生成若干数量的路径，以此作为初始的种群。每一条路径，它都是一个具备潜在可能性的解决方案。假定我们已经生成了10条路径：

A -> B -> C -> D -> A

B -> C -> A -> D -> B

, ...,

D -> A -> B -> C -> D

这些路径构成了我们的初始种群。

适应度函数

我们需要一个适应度函数，以此来评估每条路径的好坏程度。对于TSP而言，路径的总长度越短，那么其适应度就越高。所以，我们能够将适应度函数定义为路径长度的倒数：

适应度 = 1 / 路径长度

选择操作

在自然界里边，那些适应环境的个体，有着相对更高的可能性去繁殖出后代。也同样如此，于遗传算法之中pg下载通道，适应度高这样的路径，被选去用来产生下一代的概率，也是相对更高一些的。我们平常会运用轮盘赌选择法，或者锦标赛选择法，以此来达成这一步做法。还有，我们平常也会运用锦标赛选择法，再或者轮盘赌选择法，以此来达成这一步做法。

交叉和变异操作

为了出现崭新的路径，我们得开展交叉以及变异操作。交叉操作好似生物学里的杂交，借由交换两条路径的部分片段来生成全新的路径。变异操作是随机地更改路径里的一个或者多个城市位置，以此增添解的多样性。

假设我们有以下两条路径：

Parent1:

A -> B -> C -> D -> A

Parent2:

D -> C -> B -> A -> D

进行单点交叉后可能得到：

Offspring:

A -> B -> B -> A -> D

然后进行变异操作，可能将第三个城市由B变为C：

Mutated Offspring:

A -> B -> C -> A -> D

这样我们就得到了新的路径。

迭代与收敛

不断重复进行选择操作，接着重复交叉操作，然后重复变异操作，连续重复这些操作，一直持续到满足终止条件，像达到最大迭代次数这种情况，或者找到满意解这种情况。在每一次的迭代过程当中，我们内心期望种群的整体适应度能够持续不断地提高，最终朝着最优解或者近似最优解的方向收敛。

从上面这个简便明了、通俗易懂的例子，我们能够瞧见遗传算法的强大优点。它借助模拟自然选择性状及遗传机理pg下载麻将胡了安卓专属特惠.安卓应用版本.中国，可高效地处理较为复杂的优化难题。虽说遗传算法并非每一次都能够寻觅到绝对的最优解答，然而在实际运用过程中，它常常能够于可以接受认可的时间里面寻找到足够优良的解答，故而得以广泛运用于机器学习、运筹学、工程设计等诸多领域之中。