本文详细介绍了遗传算法中的适应度函数调整，包括线性、指数、归一化和Boltzmann变换，以及适应度共享的概念。接着探讨了交叉概率和变异概率对种群多样性及收敛性的影响，并提出自适应交叉概率和交叉位的优化策略。还讲解了二进制、格雷码、浮点和排列等多种编码方式，以及单点、双点交叉和基于二进制操作的交叉策略，如部分匹配交叉、顺序交叉和循环交叉等。
一、适应度函数的调整
1. 如有5个初始个体，适应度分别为100，0.1，0.2，0.3，0.4，第一个个体几乎是其它的100倍，对于竞争来说过于悬殊。
解决办法：取
，初始个体适应度变为200，100.1，100.2，100.3，100.4，100.5这样就好很多。
适应度函数变换的作用：
- 维持个体差距，保持竞争。
- 避免差距过大，限制竞争。
2. 适应度函数的变化方法
线性变换 ：
指数变换 ：
归一化变换：
Boltzmann ：
二、 适应度共享
共享函数Sh(dij)为:
则共享适用度为：
其中：
三、交叉概率与变异概率的作用
概率高则保证种群多样性，但收敛性变慢；概率低则容易发生早熟现象，得不到全局最优解。
基于a个父代+b子代共同竞争的模式，加大了竞争力度，也有效避免只用子代进行筛选时有可能破坏掉“父代出现了适应度很高，但后来由于交叉破坏掉其适应度形成劣势子代”现象。
1. 优化交叉概率
扫一扫
1162
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
