Genetic Algorithm | 遗传算法 - 介绍

遗传算法

对于非凸包误差函数而言，使用梯度下降法可能会卡在局部最优解上
如果需要找到全局最优解，那么需要搜索所有空间

例如使用 进化算法

---

遗传算法介绍

遗传算法被认为是基因算法的一种，由 John Holland 提出，基于达尔文“适者生存”理论

使用 选择、交叉 和 变异 找到最优解

---

工作原理

开始时定义 初始代，包含有几个解决方案。每个解决方案称之为个体，每个个体编码为由一组基因表示的染色体。

编码后的 适应性 由一个因问题而异的 适应函数 来计算出，适应性越大越好。

• 生存
• 交配
• 变异

---

数据表示

使用矢量表示一个实例的一串特征

选择

从这些个体中挑选下一代的父母，适应性越大，越可能被挑选为父母。

交叉

被选择的父母进行交配，产生后代。

变异

由于后代可能带有父母基因中的不良基因，需要对基因进行一个小的改造，产生多样性。

---

GA 算法工作流程图

---

染色体编码

染色体编码主要有三种方式：

• 二进制编码
  用一组二进制数表示，每位控制一个基因
• 排列编码
  用一组数字表示，每个数字表示一个基因
• 值编码
  使用真实值

---

关于…

选择

选择前一代最好的个体进行交叉，选择方法有：

• 基于适应值比例的选择/轮盘赌选择法
  每个个体成为父母的比例直接取决于适应值
  （每个个体按照比例划分一个区间，每次随机生成一个区间内的随机值，选择落在区间内的个体为父母）

交叉

• uniform crossover 均匀交叉
  单个后代从父母的每个基因上随机取点
• one point crossover 单点交叉
  两个父母的染色体上定义一个点，两个后代中的第一个取第一个父母位于点右边的，以及第二个父母位于点左边的基因，第二个后代取剩下的基因。

---

变异

与设置交叉率一样，使用一个变异率控制是否变异。
如果产生随机值大于变异率，则变异。

变异基因数可以有多个，可以统一变异，或者随机变异。
（二进制序列变异只要翻转数字即可）

---

之后会加上一个实现的实例

本篇为文章的翻译和解释
原文地址：
Genetic Algorithm: Part 1 -Intuition