第4章其于遗传算法的随机优化搜索 选择-复制 选择-复制(selection reproduction)操作是模拟 生物界优胜劣汰的自然选择法则的一种染色体运算，就是从种 群中选择适应度较高的染色体进行复制，以生成下一代种群。选 择-复制的通常做法是，对于一个规模为的种群S,按每个染色体 x,∈S的选择概率P(x)所决定的选中机会，分N次从S中随机选定 N个染色体，并进行复制。这里的选择概率Px)的计算公式为 P(x)= f(x) (4-1) ∑f(x,) i-
第 4 章 基于遗传算法的随机优化搜索 选择-复制 选择-复制(selection reproduction)操作是模拟 生物界优胜劣汰的自然选择法则的一种染色体运算, 就是从种 群中选择适应度较高的染色体进行复制,以生成下一代种群。选 择-复制的通常做法是, 对于一个规模为N的种群S,按每个染色体 xi∈S的选择概率P(xi )所决定的选中机会, 分N次从S中随机选定 N个染色体, 并进行复制。 这里的选择概率P(xi )的计算公式为 = = N j j i i f x f x P x 1 ( ) ( ) ( ) (4-1)
第4章其于遗传算法的随机优化搜索 其中，为适应度函数，孔x)为x的适应度。可以看出，染色体 x,被选中的概率就是其适应度x)所占种群中全体染色体适应 度之和的比例。显然，按照这种选择概率定义，适应度越高的 染色体被随机选定的概率就越大，被选中的次数也就越多，从 而被复制的次数也就越多。相反，适应度越低的染色体被选中 的次数也就越少，从而被复制的次数也就越少。如果把复制看 做染色体的一次换代的话，则这就意味着适应度越高的染色体 其后代也就越多，适应度越低的染色体其后代也就越少，甚至被 淘汰。这正吻合了优胜劣汰的自然选择法则
第 4 章 基于遗传算法的随机优化搜索 其中,f为适应度函数,f(xi )为xi的适应度。可以看出, 染色体 xi被选中的概率就是其适应度f(xi )所占种群中全体染色体适应 度之和的比例。 显然, 按照这种选择概率定义, 适应度越高的 染色体被随机选定的概率就越大, 被选中的次数也就越多, 从 而被复制的次数也就越多。相反,适应度越低的染色体被选中 的次数也就越少,从而被复制的次数也就越少。如果把复制看 做染色体的一次换代的话,则这就意味着适应度越高的染色体 其后代也就越多,适应度越低的染色体其后代也就越少, 甚至被 淘汰。 这正吻合了优胜劣汰的自然选择法则
第4章基于遗传算法的随机优化搜索 西安地子科发大之常版在 西交地 西安地子利数大 西来地 孝欢收羽 S2 0.45 Su 0.11 S4 S3 电 0.15 0.29 西安电 图4-1赌轮选择示例
第 4 章 基于遗传算法的随机优化搜索 图 4-1 赌轮选择示例
第平章基于遗传算法的随机优化搜索 上述按概率选择的方法可用一种称为赌轮的原理来实现。 即做一个单位圆，然后按各个染色体的选择概率将圆面划分 为相应的扇形区域（如图4-1所示）。这样，每次选择时先转动 轮盘，当轮盘静止时，上方的指针所正对着的扇区即为选中的 扇区，从而相应的染色体即为所选定的染色体。例如，假设种 群S中有4个染色体：S1S2S3,S4,其选择概率依次为：0.11,0.45， 0.29,0.15,则它们在轮盘上所占的份额如图4一1中的各扇形 区域所示
第 4 章 基于遗传算法的随机优化搜索 上述按概率选择的方法可用一种称为赌轮的原理来实现。 即做一个单位圆, 然后按各个染色体的选择概率将圆面划分 为相应的扇形区域(如图4-1所示)。这样, 每次选择时先转动 轮盘, 当轮盘静止时,上方的指针所正对着的扇区即为选中的 扇区,从而相应的染色体即为所选定的染色体。 例如, 假设种 群S中有4个染色体: s1 ,s2 , s3 , s4 ,其选择概率依次为: 0.11, 0.45, 0.29, 0.15, 则它们在轮盘上所占的份额如图4－1中的各扇形 区域所示
第4章基于遗传算法的随机优化搜索 在算法中赌轮选择法可用下面的子过程来模拟： ①在[0,1]区间内产生一个均匀分布的伪随机数r。 ②若≤91，则染色体x,被选中。 ③若qk-1<9(2≤N),则染色体x被选中。 其中的qg称为染色体x,(=1,2,.,n)的积累概率，其计算公式 为 q,=∑P(x) i_1
第 4 章 基于遗传算法的随机优化搜索 在算法中赌轮选择法可用下面的子过程来模拟: ① 在［0, 1］区间内产生一个均匀分布的伪随机数r。 ② 若r≤q1 ,则染色体x1被选中。 ③ 若qk-1<r≤qk (2≤k≤N), 则染色体xk被选中。 其中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其计算公式 为 = = i j i j q P x 1 ( )