第4章基干遗传算法的随机优化搜索选择-复制选择-复制(selectionreproduction)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x,ES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P(x)的计算公式为f(x)P(x,)=(4-1)NZf(x)j=1
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章基干遗传算法的随机优化搜索其中f为适应度函数,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，其至被淘汰。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荟电西安电子科技大学共展社社福安电子酬技大1西安电印茶大学出版社安电福S2Si0.45电子科电0.11S4S30.150.29K皮發西安电西文大图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4章基干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［0.11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x被选中。③若qk-1<r≤qi(2≤k<M),则染色体x;被选中。其中的q,称为染色体x(i=1，2，.，n)的积累概率,其计算公式为q; = P(x,)j=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 ( )