《Java遗传算法编程》—— 1.11 搜索过程

1.11 搜索过程

作为本章的结束,让我们一步一步地了解遗传算法背后的基本过程,如 图1-10所示。

1.遗传算法开始,初始化候选解的种群。这通常是随机提供整个搜索空间的均匀覆盖。

2.接下来,通过为种群中的每个个体分配一个适应度值,对种群进行评估。在这个阶段,我们常常要注意当前最优解,以及种群的平均适应度。

3.评估后,根据终止条件集,该算法决定它是否应该终止搜索。通常这是因为该算法已达到指定的世代数量,或已经找到适当的解。

4.如果终止条件不满足,种群经过一个选择阶段,基于适应度评分,从种群中选择个体。适应度越高,个体就更有机会被选择。

5.下一阶段对选择的个体应用交叉和变异。这个阶段为下一代创建新个体。

6.此时新种群返回到评估步骤,过程重新开始。我们称这种循环的每一圈为一个世代。

7.如果终止条件最终满足,算法会跳出循环,通常向用户返回最后的搜索结果。

时间: 2024-10-30 13:24:47

《Java遗传算法编程》—— 1.11 搜索过程的相关文章

《Java遗传算法编程》—— 第2章 实现一个基本遗传算法 2.1 实现之前

第2章 实现一个基本遗传算法 Java遗传算法编程 在本章中,我们将开始探索实现基本遗传算法的技术.本章开发的程序,将在后面的章节中进行修改,加入功能.同时,我们也将探讨基于遗传算法的参数和配置,以及它的性能会如何变化. 要尝试运行本节中的代码,需要先在计算机上安装Java JDK.你可以从Oracle的网站上免费下载并安装Java JDK: oracle.com/technetwork/java/javase/downloads/index.html 除了安装Java JDK,你也可以选择安装

《Java遗传算法编程》—— 导读

目录 第1章 简介1.1 什么是人工智能1.2 生物学类比1.3 进化计算的历史1.4 进化计算的优势1.5 生物进化1.6 基本术语1.7 搜索空间1.8 参数1.9 基因表示1.10 终止1.11 搜索过程1.12 参考文献 第2章 实现一个基本遗传算法2.1 实现之前2.2 基本遗传算法的伪代码2.3 关于本书的代码示例2.4 基本实现2.5 轮盘赌选择2.6 交叉方法2.7 交叉伪代码2.8 交叉实现2.9 小结2.10 练习 第3章 机器人控制器 第4章 旅行商 第5章 排课 第6章

《Java遗传算法编程》—— 第1章 简介 1.1 什么是人工智能

第1章 简介 Java遗传算法编程 数字计算机和信息时代的崛起,已经彻底改变了现代的生活方式.数字计算机的发明,使我们能够让生活的许多领域数字化.这种数字化让我们将许多繁琐的日常任务外包给计算机,而这些任务以前可能需要人来完成.这方面的一个日常例子是字处理应用程序,它们内置拼写检查功能,可以自动检查文档的拼写和语法错误. 随着计算机变得越来越快,计算能力越来越强,我们已经能够用它们来执行越来越复杂的任务,如理解人类语言,甚至比较准确地预测天气.这种不断的创新,让我们能够将越来越多的任务外包给计算

《Java遗传算法编程》—— 1.7 搜索空间

1.7 搜索空间 在计算机科学中,如果处理优化问题时有许多候选解需要搜索,我们就称解的集合是"搜索空间".搜索空间内每个特定的点就是给定问题的一个候选解.在这个搜索空间中有距离的概念,相比位置远离的解,位置彼此靠近的解更可能表现出相似的特征.为了理解这些距离在搜索空间中如何组织,请考虑下面使用二进制遗传表示的例子: "101"与"111"只差1.这是因为只要有1个变化(0翻转到1),就能从"101"变成"111&qu

《Java遗传算法编程》—— 2.8 交叉实现

2.8 交叉实现 为了实现轮盘赌选择,在GeneticAlgorithm类的任意位置增加一个selectParent( )方法. public Individual selectParent(Population population) { // Get individuals Individual individuals[] = population.getIndividuals(); // Spin roulette wheel double populationFitness = popu

《Java遗传算法编程》—— 2.4 基本实现

2.4 基本实现 为了消除所有不必要的细节,保持最初的实现容易尝试,本书中介绍的第一个遗传算法将是简单的二进制遗传算法. 二进制遗传算法比较容易实现,对于解决许多种优化问题,它可能是非常有效的工具.你可能还记得第1章提到,二进制遗传算法是由Holland(1975)提出的原创的遗传算法. 2.4.1 问题 首先,让我们回顾一下"全一"问题,它是可以用二进制遗传算法来解决的一个非常基本的问题. 该问题不是很有趣,但作为一个简单的问题,它的作用是强调所涉及的基本技术.顾名思义,该问题就是发

《Java遗传算法编程》—— 1.3 进化计算的历史

1.3 进化计算的历史 20世纪50年代,进化计算首次作为一种优化工具被尝试,当时的计算机科学家将达尔文的生物进化论思想应用于候选解构成的种群.他们建立理论,认为有可能应用进化算子,如交叉(它是生物繁殖的模拟)和变异(这是新的遗传信息添加到基因组中的过程).这些算子和选择压力共同作用,让遗传算法在一段时间后,能够"进化"出新的解. 在20世纪60年代,"进化策略"(应用自然选择和进化思想的一种优化技术)最初由Rechenberg(1965,1973)提出,他的想法后

《Java遗传算法编程》—— 2.2 基本遗传算法的伪代码

2.2 基本遗传算法的伪代码 基本遗传算法的伪代码如下: 1: generation = 0; 2: population[generation] = initializePopulation(populationSize); 3: evaluatePopulation(population[generation]); 3: While isTerminationConditionMet() == false do 4: parents = selectParents(population[ge

《Java遗传算法编程》—— 2.10 练习

2.10 练习 1.运行遗传算法几次,观察进化过程的随机性.它通常需要多少代来找到这个问题的一个解? 2.扩大和减小种群规模.减小种群规模如何影响算法的速度?它是否也影响找到一个解需要的世代数?扩大种群规模如何影响算法的速度?它如何影响找到一个解需要的世代数? 3.将变异率设置为0.这将如何影响遗传算法寻找解的能力?使用高变异率,如何影响算法? 4.使用低交叉率.低交叉率下,算法表现如何? 5.尝试用较短及较长的染色体,减少和增加问题的复杂性.在处理更短或更长的染色体时,不同的参数是否工作得更好