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
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(fitnessfunction)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章基干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于基因组成的位串，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 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章基干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于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、交又和变异，这三种运算被称为遗传操作或遗传算子（geneticoperator)
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)