论文-遗传算法的基本步骤

1、遗传算法遗传算法（Genetic Algorithm）是基于进化论的原理发展起来的一种广为应用，高效的随机搜索与优化的方法。它从一组随机产生的初始解称为“种群”，开始搜索过程。种群中的每个个体是问题的一个解，成为“染色体”是一串符号。这些染色体在每一代中用“适应度”来测量染色体的好坏, 通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高,被选中的概率越大。适应度越低，被淘汰的概率越大。每一代都保持种群大小是常数。经过若干代之后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。比如有编号为1到10的特征，现在要选取其中的5个，基于遗

2、传算法的特征选择可以如下这样直观的理解： 下续（表格） 下续初始群体第一次迭代第二次迭代特征组合判别值特征组合判别值特征组合判别值1,2,3,4,981,2,3,4,981,3,5,7,9132,3,6,8,971,3,5,7,8101,2,3,7,8106,7,8,9,1041,2,3,7,9121,3,5,7,8101,3,5,7,8101,3,4,5,891,2,3,7,912即设有4个不同的初始特征组合，分别计算判别值，然后取最大的2个组合（1,2,3,4,9和1,3,5,7,8）进行杂交，即互换部分相异的特征（4和7），得到新的两个特征组合（1,2,3,7,9和1,3,4,5,8）,

3、然后再计算这两个新的组合的判别值，和原来的放在一起，再从中选择2个具有最大判别值的组合进行杂交。如此循环下去，在某一代的时候就得到了一个最好的特征组合（比如第2代的1,3,5,7,9的特征组合）。当然，在实际中每代的个体和杂交的数量是比较大的。遗传算法的具体的步骤如下：1.编码：把所需要选择的特征进行编号，每一个特征就是一个基因，一个解就是一串基因的组合。为了减少组合数量，在图像中进行分块（比如5*5大小的块），然后再把每一块看成一个基因进行组合优化的计算。每个解的基因数量是要通过实验确定的。2.初始群体（population）的生成：随机产生个初始串结构数据，每个串结构数据称为一个个体。个个

4、体，构成了一个群体。GA以这个串结构数据作为初始点开始迭代。这个参数需要根据问题的规模而确定。3.交换(crossover)：交换（也叫杂交）操作是遗传算法中最主要的遗传操作。由交换概率()挑选的每两个父代通过将相异的部分基因进行交换（如果交换全部相异的就变成了对方而没什么意义），从而产生新的个体。可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。4.适应度值(fitness)评估检测：计算交换产生的新个体的适应度。适应度用来度量种群中个体优劣（符合条件的程度）的指标值，这里的适应度就是特征组合的判据的值。这个判据的选取是GA的关键所在。5.选择（selection）

5、：选择的目的是为了从交换后的群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献的概率大，选择实现了达尔文的适者生存原则。本文直接选取交换后的群体中具有最大适应度的前个个体作为下一代进行繁殖。这一步骤的存在使得当前群体是所有搜索过的解之中是最优的前个的集合。6.变异（mutation）：变异首先在群体中随机选择一定数量个体，对于选中的个体以一定的概率（成为变异概率）随机地改变串结构数据中某个基因的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.0010.01之间。变异为新个体的产生提供了机会。7.中止

6、。规则有三种情况：给定一个最大的遗传代数MAXGEN(人为事先确定)，算法迭代在达MAXGEN时停止。给定问题一个下界的计算方法，当进化中达到要求的偏差时，算法终止。当监控得到的算法再进化已无法改进解的性能，即解的适应度无法再提高，此时停止计算。遗传算法有如下特点：遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。此操作使得遗传算法可直接对结构对象进行操作。传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。求解时使用特定问题的信息极少，容易形成通用算法程序。由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数，空间连通、凸性等与问题直接相关的信息。遗传算法只需适应值和串编码等通用信息，解的定义域可任意混合，故几乎可处理任何问题。选择、交叉和变异都是随机操作，而不是确定的精确规则。这说明遗传算法是采用随机方法进行最优解搜索，选择体