1、遗传算法简单理解遗传算法简单理解作者:日期:遗传算法（Genetic Algorithm ）又叫基因进化算法，或进化算法。属于启发式搜索算法一 种，这个算法比较有趣，并且弄明白后很简单，写个 100-200行代码就可以实现。在某些场合下简单有效。本文就花一些篇幅，尽量白话方式讲解一下。首先说一下问题。在我们学校数据结构这门功课的时候，时常会有一些比较经典的问题（而且比较复杂问题）作为学习素材，如八皇后，背包问题，染色问题等等。上面列出的几个问题都可以通过遗传算法去解决。 本文列举的问题是 TSP（Traveli ng Salesman Problem）类的问题。TSP问题实际上是”哈密顿回路问
2、题”中的”哈密顿最短回路问题”如下图，就是要把 下面8个城市不重复的全部走一遍。有点像小时候玩的画笔画游戏，一笔到底不能重复。TSP不光是要求全部走一遍， 并且是要求路径最短。 就是有可能全部走一遍有很多走法， 要找出其中总路程最短的走法。和这个问题有点相似的是欧拉回路（下图）问题，它不是要求把每个点都走一遍，而是 要求把每个边都不重复走一遍 （点可以重复），当然欧拉回路不是本算法研究的范畴。本文会从TSP引申出下面系列问题1、 TSP问题：要求每个点都遍历到，而且要求每个点只被遍历一次，并且总路程最短。2、 最短路径问题：要求从城市 1到城市8,找一条最短路径。3、 遍历m个点，要求找出其距
3、离最短的路线。 （如果m=N总数，其实就是问题 1 了，所 以问题1可以看成是问题3的特例）。遗传算法的理论是根据达尔文进化论而设计出来的算法 ：人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。在上面tsp问题中，一个城市节点可以看成是一个基因，一个最优解就是一条路径，包含若干个点。就类似一条染色体有若干基因组成一样。 所以求最短路径问题，可以抽象成求最优染色体的问题。遗传算法很简单，没有什么分支判断，只有两个大循环，流程大概如下流程中有几个关键元素：4 / 10r-joNOYESYES找出最优解5 / 10打分，是优秀，还是一般，还是很差的畸形儿。用这个函数进
4、行量化。在按照盍异规则进行变异运 B tsp中，路径合*替换老的population *谱疔新一 saa 1、适度值评估函数。这个函数是算法的关键，就是对这个繁衍出来的后代进行评估刃巳仃解用L半倍哲或 fitness.fuctionffirU 会.迅灵卞鞋中星优解_j1从可行解中按 嚴择规则选出2个人昨为交証更象i越短，分数越高。函数可以可以这样 fitness = 1/total_distanee. 或者 fitness =MAX_DISTANCE -total_dista nee.不同的计算方法会影响算法的收敛速度， 直接影响结果和性能。2、 选择运算规则：又称选择算子。对应着达尔文理论中
5、适者生存， 也有地方叫着精英主义原则，意思就是只有优秀的人才有更大的几率存活下来，拥有交配权。有权利拥有 更多后代，传承下自己血脉基因。和现实中很相像，皇帝权臣遗留下来的子孙后代比较 多。选择方法比较多。最常见的是 round robin selection算法，即轮盘赌算法，这个算法比较简单有效。选择算法目前已有的有 10来种之多。各种不同业务可以按需选择。轮盘赌逸燥方弦选择公式如下/-I1. 选择运算-轮盘赌，此算法要求不能有负数.2. in t32_t Gen etie:Select ion (Ge nome & selGe nome)3. 4. 生成一个随机浮点数/本算法在轮盘赌算法上
6、加上了选择概率，提高最大可行解入围概率5.double ftmp =(ra ndom()% 100001)/( 100000 + 0.0000001);6.if( ftmp 0.9 )7.8.GetBestGe no me(selGe no me);9.return ESUCCESS;10.11./生成一个【0, m_dTotalFitness】之间的随机浮点数12.double dRange = (random()+ random()%100001)/( 100000 + 0.0000001) * m_dTotalFit ness;13.double dCursor = 0.0;14.siz
7、e_t i = 0;15.16.for(i = 0; i dRange)21.22.break;23.24.25.26.selGe nome = m_vGe no mei;27.28.return ESUCCESS;29.3、交叉运算规则：又称交配规则，交叉算子。对应遗传学中的精子和卵子产生的受精卵含有精子的部分基因，也含有卵子的部分基因的现象。就像孩子有点像父亲，又有点 像母亲的规律。交叉运算算法更多。作者可以天马行空的自己去想象。只要达到交叉结 果中含有父母的基因就可以。最常见的是 k-opt交换。其中k可以是1,2,3等等。简称单点交换，两点交换， 3点交换等等：单点交换BBffl遊E个
8、琢为交更点其中修复重复基因根据业务需要看是否需要。两点交换4、 变异运算规则：又叫变异算子。在人类遗传进化过程中。会发生一些基因突变。 这些突变有可能是好的突变，有可能是坏的突变。像癌细胞就是坏的突变。爱因斯坦的 大脑估计是好的突变。突变方法也是可以天马行空的自己去发挥创造。这里讨论一下，为什么要有突变这道流程呢。从人类进化角度来说。人类基因有数十万 种，在远古交流比较少的年代。都是部落内部通婚，但是整个部落内部居民可能都缺少 某种好的基因，这样无论他们怎么交配，都不会产生好的基因，那么他们需要引入好的 基因，于是和其他部落通婚。引入其他自己没有的基因，其实对于这个种群来说这就是 一次基因变异
9、。如果是好的变异，那么这个后代就很优秀，结果就是会产生更多子孙， 把这个好的变异基因传承下去，如果不是好的变异基因，自然而然会在前面选择算子下 淘汰，就是现实生活中的所谓的年幼夭折，痴呆无后，或先天畸形被淘汰，不会传承下 去。从计算机算法角度看：所有的启发式算法无外乎 2种手段结合。局域搜索和全域搜索。局域搜索是在邻域范围内找出最优解。 对应的是选择算子和交叉算子。在自己部落里面找最优秀的人。如果只有局域搜索的话， 就容易陷入局域最优解。 算法结果肯定是要找 出全域最优解。这就要求跳出局域搜索。我们称之为创新”。创新就是一次打破常规的 突破一一就是我们的“变异”算子。这里拿最短路径路径举例子，
10、求点1到点8之间的最短路径， 初始解是 12368补集 4- 5- 7 内变异：所谓内变异就是在自己内部发生变异。严格来说其实不是一种变异。但是它 又是一种比较有效的手段。1 & 328外变异：外变异是引入创新，突破传统的质的飞跃 ，也是启发算法中所谓的全域搜索。F面是充当前基因中引入外部基因（当前集合的补集） 。58结尾：遗传算法除了上述这些几个主要算子之外，还有一些细节。如交叉概率 pc,变异概率pm，这些虽然都是辅助手段， 但是有时候对整个算法结果和性能带来截然不同的效果。 这也是启发式算法的一个缺点。参数需要不停的在实践中摸索，没有万能的推荐参数。还有细心的读者可能发现几个疑问， 就是
11、最短路径中变异或交叉结果可能产生无效解， 如前面最短路径 1 6 3 2 8.其中1和6之间根本没有通路。碰到这种情况， 可以抛弃这条非法解，重新生成一条随机新解（其实这也是一次变异创新） 。或者自己修复成可行解。反正框框在那里。具体手段可以自己天马行空发挥。另一个比较实际的问题是： 在最短路径中并不知道染色体长度是多少， 不错。大部分人还是用定长染色体去解决问题， 这样性能低下。算法不直观。这时候可以使用变长染色体来解决。其实我建议不管何种情况， 都设计变长染色体模式。 因为定长也是变长的一种特例。使用变长可以解决任何问题。不管是 tsp还是最短路径问题。还有一个编解码问题， 就是把现实问题转换成基因， 这些问题都比较容易解决， 最简单的就是直接用数组下标表示。
