簡述

　　遺傳算法(GA)是一種模擬生物進化自然選擇過程的非確定性搜索方法，源于達爾文的進化論和孟德爾的遺傳定律，由美國 Michigan 大學的 Holland教授在 20 世紀 70 年代首先提出。生物理論指出， 生物個體的各種生命表征是由許多基因共同決定的。同一種群的不同生物個體通常擁有不同的基因，因此對外在環境的適應能力也是不同的。 在自然選擇的作用下，一部分環境適應能力較差的個體會死亡被淘汰，而環境適應能力較強的個體則更多地存活下來并繁衍后代， 因此比較適應環境的基因會有較大的概率流傳到下一代。 一般情況下子代的平均適應力普遍強于父代。 在基因從父代傳遞到子代的過程中，一部分基因會因為變異而在子代中產生新的基因，這種變異是隨機的，有可能增強子代個體的環境適應力，也有可能會降低子代個體的適應力。
　　遺傳算法正是仿照上述理論，將一個問題的解空間編碼，每一個編碼代表一個個體，建立一個包含潛在的解的群體作為種群，在環境作用下通過選擇(selection)、交叉(crossover)和變異(mutation)一代代繁衍，由于子代的環境適應力一般優于父代，因此算法最終能夠得到問題的較優解。其中，編碼中的每一位代表一個基因，環境作用由適應度函數模擬，適應度函數是判斷某個解的優劣程度的函數，通常是目標函數本身或其修改形式。選擇又稱為選擇算子，是指參照適應值函數，按照預先選定的策略隨機從父代中挑選一些個體生存下來，剩下的個體則被淘汰。交叉是指仿照自然界基因傳遞的過程交配，對存活下來的父代個體的某些基因進行優化組合，辦法是將兩個父代個體某些對應位置的基因互換，以產生新的個體。變異是指對編碼的某些位置上的基因按一定概率進行的改變。

2.選擇策略

2.1輪盤賭選擇法

輪盤賭選擇法是依據個體的適應度值計算每個個體在子代中出現的概率，并按照此概率隨機選擇個體構成子代種群。輪盤賭選擇策略的出發點是適應度值越好的個體被選擇的概率越大。因此，在求解最大化問題的時候，我們可以直接采用適應度值來進行選擇。但是在求解最小化問題的時候，我們必須首先將問題的適應度函數進行轉換，以將問題轉化為最大化問題。下面給出最大化問題求解中遺傳算法輪盤賭選擇策略的一般步驟：

(1)??將種群中個體的適應度值疊加，得到總適應度值==1 ，其中 為種群中個體個數。

(2)??每個個體的適應度值除以總適應度值得到個體被選擇的概率

(3)??計算個體的累積概率以構造一個輪盤。

(4)??輪盤選擇：產生一個[0,1]區間內的隨機數，若該隨機數小于或等于個體的累積概率且大于個體1的累積概率，選擇個體進入子代種群。

重復步驟(4)次，得到的個體構成新一代種群。

2.2 隨機遍歷抽樣法

像輪盤賭一樣計算選擇概率，只是在隨機遍歷選擇法中等距離的選擇體，設npoint為需要選擇的個體數目，等距離的選擇個體，選擇指針的距離是1/npoint，第一個指針的位置由[0，1/npoint]的均勻隨機數決定。

2.3 錦標賽選擇法

錦標賽方法選擇策略每次從種群中取出一定數量個體，然后選擇其中最好的一個進入子代種群。重復該操作，直到新的種群規模達到原來的種群規模。具體的操作步驟如下：

(1)?確定每次選擇的個體數量(本文以占種群中個體個數的百分比表示)。

(2)?從種群中隨機選擇個個體(每個個體入選概率相同) 構成組，根據每個個體的適應度值，選擇其中適應度值最好的個體進入子代種群。

(3) 重復步驟(2)次，得到的個體構成新一代種群。

需要注意的是，錦標賽選擇策略每次是從個個體中選擇最好的個體進入子代種群，因此可以通用于最大化問題和最小化問題，不像輪盤賭選擇策略那樣，在求解最小化問題的時候還需要將適應度值進行轉換。

參考資料

　　[1]遺傳算法:理論、應用及軟件實現/王小平, 曹立明著 西安交通大學出版社,2002

　　[2]張琛,詹志輝. 遺傳算法選擇策略比較[J]. 計算機工程與設計,2009,23:5471-5474+5478

文章轉自：https://www.cnblogs.com/legend1130/archive/2016/03/29/5333087.html

總結

以上是生活随笔為你收集整理的遗传算法中常用的选择策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。