如何学习python遗传算法？

单个数字可以直观地看到和理解，但是如果将两个数字连接起来并进行操作，那么它就不是一个单独的数字，而是一个独立的组合。大家会明白是什么意思吗？相信很多人如果是第一次看到，肯定是看不懂的。就像我们编程的时候，每一次计算之间都有各种各样的算术符号，使得它们具有不同的含义。因此，系统的学习非常重要。是的，让我们来看看如何学习一个好的遗传算法。

1.



遗传算法主要流程

2.



遗传算法理论基础

l



模式（

Schema）:模式指有相同特征的子集，比如二进制字符串11***\（*为通配符\）可以代表八个个体(2x2x2)。

l



阶（

Order）：模式中确定位置的个数成为阶，比如1110*的阶为1

l



定义距（

Defining Length）：模式中第一个确定位置和最后一个确定位置之间的距离成为定义距

3.



遗传算法与传统算法的区别

l


遗传算法中的种群总是保持一定数量的个体（每个个体就是问题的解），而传统算法中每次迭代一般只保留最优解。

l



遗传算法用个体

/基因型来代表问题的解，而传统算法的解一般都更直观。

l


遗传计算通过计算适应度来计算最优解，而传统算法一般通过导数或梯度来计算最优解。

l



遗传算法是由概率驱动的，例如杂交概率、变异概率等，而传统算法通常是确定性的。

PS：因为遗传算法的每一次迭代就朝着最优解的方向前进，即便遗传算法的过程有不确定性，但遗传算法最终的最优解一般都是确定的。

4.



什么情景使用遗传算法

l


当遇到以下类型的问题时，可以尝试遗传算法：

l


当问题的数学表达过于复杂或难以用数学表达时：遗传算法只需要定义个体、种群、选择、杂交、变异方法和适应度方程就可以找到最优解。

l


当数据嘈杂时：遗传算法受数据异常值的影响较小。

l


当外部环境不断变化时：遗传算法种群始终保持一定数量的个体（解），因此遗传算法可以适应数据的变化，为新的环境产生新的最优解。

相信大家在浏览完遗传算法系统学习的各个阶段的内容，并一一攻破之后，对遗传算法的入门就会变得更加容易。

~如果大家对这个算法感兴趣的话，可以多浏览几遍以上内容，就可以了解怎么开始学习遗传算法啦~