遗传算法的选择算子
2012-08-30 21:32
225 查看
1,作用:对群体进行优胜劣汰造作,使适应度较高的个体被遗传到下一代群体中的概率较大,使适应度较小的个体被遗传到下一代群体中的概率较小。
2,常用选择算子方法
① 比例选择
基本思想:各个个体被选中的概率与其适应度大小成正比。
设群体大小为M,个体i的适应度为 ,则个体i被选中的概率为:
(i=1,2,3,……,M)
缺点:随机操作原因,误差比较大,有时连适应度较高的个体都选不上。
② 最优保存策略
基本思想:当前群体中适应度最高的个体不参与交叉变异运算。以免交叉变异操作破坏当前群体中的适应的最好的个体。
③ 确定式采样选择
基本思想:按照一种确定的方式进行选择操作。
(1)计算各个个体在下一代群体中的期望生存数目:
(i=1,2,3,……,M)
(2)用的整数部分确定各个对应个体在下一代群体中的生存数目。由此可得出下一代群体中的
个个体。
(3)按照的小数部分对个体进行降序排序,顺序取前个个体加入下一代群体。至此下一代中的M个个体全部确定出来了。
优点:能够保证适应度较大的一些个体一定能够被保留到下一代群体中。
④ 无回放随机选择
⑤ 无回放余数随机选择
⑥ 排序选择
⑦ 随机联赛选择
2,常用选择算子方法
① 比例选择
基本思想:各个个体被选中的概率与其适应度大小成正比。
设群体大小为M,个体i的适应度为 ,则个体i被选中的概率为:
(i=1,2,3,……,M)
缺点:随机操作原因,误差比较大,有时连适应度较高的个体都选不上。
② 最优保存策略
基本思想:当前群体中适应度最高的个体不参与交叉变异运算。以免交叉变异操作破坏当前群体中的适应的最好的个体。
③ 确定式采样选择
基本思想:按照一种确定的方式进行选择操作。
(1)计算各个个体在下一代群体中的期望生存数目:
(i=1,2,3,……,M)
(2)用的整数部分确定各个对应个体在下一代群体中的生存数目。由此可得出下一代群体中的
个个体。
(3)按照的小数部分对个体进行降序排序,顺序取前个个体加入下一代群体。至此下一代中的M个个体全部确定出来了。
优点:能够保证适应度较大的一些个体一定能够被保留到下一代群体中。
④ 无回放随机选择
⑤ 无回放余数随机选择
⑥ 排序选择
⑦ 随机联赛选择
相关文章推荐
- 遗传算法中的选择算子
- 遗传算法中几种不同选择算子及Python实现
- c#写的遗传算法的交叉算子,选择算子和变异算子
- 浅论遗传算法及其优化和算子选择
- MATLAB遗传算法之 无放回式随机余数选择算子(remainder stochastic sampling with replacement)最新版
- 浅论遗传算法及其优化和算子选择
- 遗传算法中常用的选择策略
- 特征选择之遗传算法
- Spark算子选择策略
- 【遗传算法】基于实数编码(离散杂交+自适应变异),线性排名选择的遗传算法
- 相关论文调查: 遗传算法在Web服务选择/组合方面的应用
- 基于精英选择策略的遗传算法
- 遗传算法中几种交叉算子小结
- 【建模必备】遗传算法的基本原理与步骤(选择)
- 利用Python实现基于模拟退火算法和遗传算法的最佳航班选择
- 数据挖掘笔记-特征选择-遗传算法
- Spark算子选择策略
- 遗传算法与SVM相结合的特征选择方法
- lamdba算子4:布尔值和选择
- 在OpenCV某一个算子中考察某该算子的一个参数对图像处理的影响,通过循环从而选择最佳参数的方法