第4章其于遗传算法的随机优化搜索 第4章基于遗传算法的随机优化搜索 4.1基本概念 4.2基本遗传算法 4.3遗传算法应用举例 4.4遗传算法的特点与优势 习题四 BACK
第 4 章 基于遗传算法的随机优化搜索 第 4 章 基于遗传算法的随机优化搜索 4.1 4.2 基本遗传算法 4.3 遗传算法应用举例 4.4 遗传算法的特点与优势 习题四
第4章基于遗传算法的随机优化搜索 4.1基本概念 1.适应度与适应度函数 适应度(fitness)就是借鉴生物个体对环境的适应程度， 而对所求解问题中的对象设计的一种表征优劣的测度。适应度 函数(fitness function)就是问题中的全体对象与其适应度之 间的一个对应关系，即对象集合到适应度集合的一个映射。 它一般是定义在论域空间上的一个实数值函数
第 4 章 基于遗传算法的随机优化搜索 4.1 基 本概 念 1. 适应度(fitness)就是借鉴生物个体对环境的适应程度, 而对所求解问题中的对象设计的一种表征优劣的测度。适应度 函数(fitness function)就是问题中的全体对象与其适应度之 间的一个对应关系, 即对象集合到适应度集合的一个映射。 它一般是定义在论域空间上的一个实数值函数
第4章其于遗传算法的随机优化搜索 2.染色体及其编码 遗传算法以生物细胞中的染色体(chromosome)代表问题中 的个体对象。而一个染色体可以看作是由若干基因组成的位串， 所以需要将问题中的个体对象编码为某种位串的形式。这样， 原个体对象也就相当于生命科学中所称的生物体的表现型 (phenotypel),而其编码即“染色体”也就相当于生物体的基 因型(genotype)。遗传算法中染色体一般用字符串表示，而基 因也就是字符串中的一个个字符。例如，假设数字9是某问题中 的个体对象，则我们就可以用它的二进制数串1001作为它的染 色体编码
第 4 章 基于遗传算法的随机优化搜索 2. 染色体及其编码 遗传算法以生物细胞中的染色体(chromosome)代表问题中 的个体对象。而一个染色体可以看作是由若干基因组成的位串, 所以需要将问题中的个体对象编码为某种位串的形式。这样, 原个体对象也就相当于生命科学中所称的生物体的表现型 (phenotype), 而其编码即“染色体”也就相当于生物体的基 因型(genotype)。遗传算法中染色体一般用字符串表示, 而基 因也就是字符串中的一个个字符。例如,假设数字9是某问题中 的个体对象, 则我们就可以用它的二进制数串1001作为它的染 色体编码
第4章基于遗传算法的随机优化搜索 3.种群 种群(population)就是模拟生物种群而由若干个染色体组 成的群体，它一般是整个论域空间的一个很小的子集。遗传 算法就是通过在种群上实施所称的遗传操作，使其不断更新换 代而实现对整个论域空间的搜索
第 4 章 基于遗传算法的随机优化搜索 3. 种群 种群(population)就是模拟生物种群而由若干个染色体组 成的群体, 它一般是整个论域空间的一个很小的子集。 遗传 算法就是通过在种群上实施所称的遗传操作,使其不断更新换 代而实现对整个论域空间的搜索
第4章基于遗传算法的随机优化搜索 4.遗传操作 遗传算法中有三种关于染色体的运算：选择-复制、交叉 和变异，这三种运算被称为遗传操作或遗传算子(genetic operator)
第 4 章 基于遗传算法的随机优化搜索 4. 遗传操作 遗传算法中有三种关于染色体的运算: 选择-复制、交叉 和变异,这三种运算被称为遗传操作或遗传算子(genetic operator)