女子正常但母親有遺傳的瘸腿病哪這女子的下一代正常嗎

數的值要取正值.由此可見，在不少場合，將目標函數映射成求最大值形式且函數值非負的適應度函數是必要的。
適應度函數的設計主要滿足以下條件：
a）單值、連續、非負、最大化；
b)合理、一致性；
c）計算量小；
d）通用性強。
在具體應用中，適應度函數的設計要結合求解問題本身的要求而定。適應度函數設計直接影響到遺傳算法的性能。
4初始群體的選取
遺傳算法中初始群體中的個體是隨機產生的。一般來講，初始群體的設定可采取如下的策略:
a)根據問題固有知識，設法把握最優解所占空間在整個問題空間中的分布范圍，然後，在此分布范圍內設定初始群體。
b)先隨機生成一定數目的個體，然後從中挑出最好的個體加到初始群體中。這種過程不斷迭代，直到初始群體中個體數達到了預先確定的規模。
[編輯本段]遺傳算法-遺傳操作
遺傳操作是模擬生物基因遺傳的做法。在遺傳算法中，通過編碼組成初始群體後，遺傳操作的任務就是對群體的個體按照它們對環境適應度(適應度評估)施加一定的操作，從而實現優勝劣汰的進化過程。從優化搜索的角度而言，遺傳操作可使問題的解，一代又一代地優化，並逼進最優解。
遺傳操作包括以下三個基本遺傳算子(geneticoperator):選擇(selection)；交叉(crossover)；變異(mutation)。這三個遺傳算子有如下特點:
個體遺傳算子的操作都是在隨機擾動情況下進行的。因此，群體中個體向最優解遷移的規則是隨機的。需要強調的是，這種隨機化操作和傳統的隨機搜索方法是有區別的。遺傳操作進行的高效有向的搜索而不是如一般隨機搜索方法所進行的無向搜索。
遺傳操作的效果和上述三個遺傳算子所取的操作概率，編碼方法，群體大小，初始群體以及適應度函數的設定密切相關。
1選擇
從群體中選擇優勝的個體，淘汰劣質個體的操作叫選擇。選擇算子有時又稱為再生算子(reproductionoperator)。選擇的目的是把優化的個體(或解)直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的，目前常用的選擇算子有以下幾種:適應度比例方法、隨機遍歷抽樣法、局部選擇法、局部選擇法。
其中輪盤賭選擇法（roulettewheelselection）是最簡單也是最常用的選擇方法。在該方法中，各個個體的選擇概率和其適應度值成比例。設群體大小為n，其中個體i的適應度為，則i被選擇的概率,為
顯然，概率反映了個體i的適應度在整個群體的個體適應度總和中所占的比例.個體適應度越大。其被選擇的概率就越高、反之亦然。計算出群體中各個個體的選擇概率後，為了選擇交配個體，需要進行多輪選擇。每一輪產生一個[0，1]之間均勻隨機數，將該隨機數作為選擇指針來確定被選個體。個體被選後，可隨機地組成交配對，以供後面的交叉操作。
2交叉
在自然界生物進化過程中起核心作用的是生物遺傳基因的重組(加上變異)。同樣，遺傳算法中起核心作用的是遺傳操作的交叉算子。所謂交叉是指把兩個父代個體的部分結構加以替換重組而生成新個體的操作。通過交叉，遺傳算法的搜索能力得以飛躍提高。
交叉算子根據交叉率將種群中的兩個個體隨機地交換某些基因，能夠產生新的基因組合，期望將有益基因組合在一起。根據編碼表示方法的不同，可以有以下的算法：
a)實值重組（realvaluedrecombination）
1)離散重組（discreterecombination）；
2)中間重組（intermediaterecombination）；
3)線性重組（linearrecombination）；
4)擴展線性重組（extendedlinearrecombination）。
b)二進制交叉（binaryvaluedcrossover）
1)單點交叉（single-pointcrossover）；
2)多點交叉（multiple-pointcrossover）；
3)均勻交叉（uniformcrossover）；
4)洗牌交叉（shufflecrossover）；
5)縮小代理交叉（crossoverwithreducedsurrogate）。
最常用的交叉算子為單點交叉(one-pointcrossover)。具體操作是:在個體串中隨機設定一個交叉點，實行交叉時，該點前或後的兩個個體的部分結構進行互換，並生成兩個新個體。下面給出了單點交叉的一個例子：
個體a：1001↑111→1001000新個體
個體b：0011↑000→0011111新個體
3變異
變異算子的基本內容是對群體中的個體串的某些基因座上的基因值作變動。依據個體編碼表示方法的不同，可以有以下的算法：
a)實值變異；
b)二進制變異。
一般來說，變異算子操作的基本步驟如下:
a)對群中所有個體以事先設定的編譯概率判斷是否進行變異；
b)對進行變異的個體隨機選擇變異位進行變異。
遺傳算法導引入變異的目的有兩個:一是使遺傳算法具有局部的隨機搜索能力。當遺傳算法通過交叉算子已接近最優解鄰域時，利用變異算子的這種局部隨機搜索能力可以加速向最優解收斂。顯然，此種情況下的變異概率應取較小值，否則接近最優解的積木塊會因變異而遭到破壞。二是使遺傳算法可維持群體多樣性，以防止出現未成熟收斂現象。此時收斂概率應取較大值。
遺傳算法中，交叉算子因其全局搜索能力而作為主要算子，變異算子因其局部搜索能力而作為輔助算子。遺傳算法通過交叉和變異這對相互配合又相互競爭的操作而使其具備兼顧全局和局部的均衡搜索能力。所謂相互配合.是指當群體在進化中陷於搜索空間中某個超平面而僅靠交叉不能擺脫時，通過變異操作可有助於這種擺脫。所謂相互競爭，是指當通過交叉已形成所期望的積木塊時，變異操作有可能破壞這些積木塊。如何有效地配合使用交叉和變異操作，是目前遺傳算法的一個重要研究內容。
基本變異算子是指對群體中的個體碼串隨機挑選一個或多個基因座並對這些基因座的基因值做變動(以變異概率p.做變動)，(0，1)二值碼串中的基本變異操作如下:
基因位下方標有*號的基因發生變異。
變異率的選取一般受種群大小、染色體長度等因素的影響，通常選取很小的值，一般取0.001－0.1。
終止條件
當最優個體的適應度達到給定的閥值，或者最優個體的適應度和群體適應度不再上升時，或者迭代次數達到預設的代數時，算法終止。預設的代數一般設置為100-500代。
[編輯本段]遺傳算法-求解算法的特點分析
遺傳算法作為一種快捷、簡便、容錯性強的算法，在各類結構對象的優化過程中顯示出明顯的優勢。與傳統的搜索方法相比，遺傳算法具有如下特點：
a)搜索過程不直接作用在變量上，而是在參數集進行了編碼的個體。此編碼操作，使得遺傳算法可直接對結構對象（集合、序列、矩陣、樹、圖、鏈和表）進行操作。
b)搜索過程是從一組解迭代到另一組解，采用同時處理群體中多個個體的方法，降低了陷入局部最優解的可能性，並易於並行化。
c)采用概率的變遷規則來指導搜索方向，而不采用確定性搜索規則。
d)對搜索空間沒有任何特殊要求（如連通性、凸性等），只利用適應性信息，不需要導數等其它輔助信息，適應范圍更廣。
[編輯本段]遺傳算法-術語說明
由於遺傳算法是由進化論和遺傳學機理而產生的搜索算法，所以在這個算法中會用到很多生物遺傳學知識，下面是我們將會用來的一些術語說明：
一、染色體(chronmosome)
染色體又可以叫做基因型個體(individuals),一定數量的個體組成了群體(population),群體中個體的數量叫做群體大小。
二、基因(gene)
基因是串中的元素，基因用於表示個體的特征。例如有一個串s＝1011，則其中的1，0，1，1這4個元素分別稱為基因。它們的值稱為等位基因(alletes)。
三、基因地點(locus)
基因地點在算法中表示一個基因在串中的位置稱為基因位置(geneposition)，有時也簡稱基因位。基因位置由串的左向右計算，例如在串s＝1101中，0的基因位置是3。
四、基因特征值(genefeature)
在用串表示整數時，基因的特征值與二進制數的權一致；例如在串s=1011中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8。
五、適應度(fitness)
各個個體對環境的適應程度叫做適應度(fitness)。為了體現染色體的適應能力，引入了對問題中的每一個染色體都能進行度量的函數，叫適應度函數.這個函數是計算個體在群體中被使用的概率。

上一页 [1] [2]