¿Qué es la herencia? (Detalles y explicaciones)

La herencia se refiere a la transmisión de genes para que la descendencia pueda adquirir las características de sus padres. La genética es el estudio de este fenómeno. Actualmente se sabe que la vida existente en la tierra utiliza principalmente el ADN como material genético. Además de la genética, los factores que determinan las características biológicas incluyen el medio ambiente y la interacción entre el medio ambiente y la genética.

[Editar este párrafo] Función

El algoritmo genético es un algoritmo de búsqueda robusto que se puede utilizar para la optimización de sistemas complejos. En comparación con los algoritmos de optimización tradicionales, tiene las siguientes características: [1]

1 Los algoritmos genéticos toman la codificación de variables de decisión como objeto operativo. Los algoritmos de optimización tradicionales a menudo determinan directamente las variables de la planta real, mientras que los algoritmos genéticos se ocupan de algunas formas de codificación de variables de decisión, lo que nos permite recurrir a los conceptos de cromosomas y genes en biología, imitando los mecanismos genéticos y evolutivos de los organismos naturales, y permitiéndonos además aplicar cómodamente operadores genéticos.

2. El algoritmo genético utiliza directamente la aptitud como información de búsqueda y no requiere otra información auxiliar como derivadas.

3. El algoritmo genético utiliza información de búsqueda multipunto y tiene paralelismo implícito.

4. Los algoritmos genéticos utilizan técnicas de búsqueda probabilísticas en lugar de reglas deterministas.

[Editar este párrafo] Aplicación

Dado que la estrategia de búsqueda global y el método de búsqueda de optimización del algoritmo genético no se basan en información de gradiente u otro conocimiento auxiliar, solo la función objetivo que afecta Se requiere la dirección de búsqueda y la función de aptitud correspondiente, por lo que el algoritmo genético proporciona un marco general para resolver problemas de sistemas complejos, no tiene nada que ver con el dominio específico del problema y es altamente robusto para el tipo de problema, por lo que. Es ampliamente utilizado en muchos campos científicos. A continuación presentaremos algunas áreas de aplicación principales de los algoritmos genéticos:

1.

La optimización de funciones es un campo de aplicación clásico de los algoritmos genéticos y un ejemplo común de evaluación del rendimiento de los algoritmos genéticos. Mucha gente ha construido varias funciones de prueba complejas: funciones continuas y funciones discretas, funciones convexas y funciones cóncavas, funciones de baja dimensión y funciones de alta dimensión, funciones unimodales y funciones multimodales. Para algunos problemas de optimización de funciones no lineales, multimodelo y multiobjetivo, otros métodos de optimización son difíciles de resolver, pero los algoritmos genéticos pueden obtener mejores resultados fácilmente. Herencia y reproducción

2. Optimización combinatoria

A medida que aumenta el tamaño del problema, el espacio de búsqueda del problema de optimización combinatoria también aumenta considerablemente. A veces es difícil utilizar la enumeración en la actualidad. cálculos. método para encontrar la solución óptima. Para problemas tan complejos, la gente se ha dado cuenta de que deben centrarse en encontrar soluciones satisfactorias, y los algoritmos genéticos son una de las mejores herramientas para encontrar soluciones satisfactorias. La práctica ha demostrado que los algoritmos genéticos son muy eficaces para problemas NP en optimización combinatoria. Por ejemplo, los algoritmos genéticos se han utilizado con éxito para resolver el problema del viajante, el problema de la mochila, el problema del embalaje del contenedor, el problema de la partición de gráficos, etc.

Además, los algoritmos genéticos se han utilizado ampliamente en campos como la programación de la producción, el control automático, la robótica, el procesamiento de imágenes, la vida artificial, la codificación genética y el aprendizaje automático.

[Editar este párrafo] Situación actual

En la década de 1990, los algoritmos genéticos marcaron el comienzo de un período de próspero desarrollo, y tanto la investigación teórica como la investigación aplicada se convirtieron en un tema muy candente. En particular, la investigación de aplicaciones de algoritmos genéticos es particularmente activa. No sólo se ha ampliado el campo de aplicación, sino que también se ha mejorado significativamente la capacidad de optimizar y aprender reglas, y también se está explorando la investigación sobre aplicaciones industriales. Además, se han desarrollado rápidamente algunas teorías y métodos nuevos en la investigación aplicada, lo que sin duda añade nueva vitalidad a los algoritmos genéticos. La investigación aplicada de algoritmos genéticos se ha expandido desde la solución inicial de optimización combinatoria hasta muchas aplicaciones más nuevas y de mayor importancia para la ingeniería. El autismo en los niños puede ser genético

Con la expansión de los campos de aplicación, han surgido varias nuevas tendencias llamativas en la investigación de algoritmos genéticos. 1. El nuevo tema de investigación del aprendizaje automático basado en algoritmos genéticos amplía el algoritmo genético de un algoritmo de búsqueda de optimización en espacios de búsqueda discretos a un nuevo algoritmo de aprendizaje automático con capacidades únicas de generación de reglas. Este nuevo mecanismo de aprendizaje trae esperanza para resolver el problema del cuello de botella de la adquisición y optimización y refinamiento del conocimiento en la inteligencia artificial.

En segundo lugar, los algoritmos genéticos están cada vez más penetrados y combinados con otros métodos informáticos inteligentes, como las redes neuronales, el razonamiento difuso y la teoría del caos, que serán de gran importancia para abrir nuevas tecnologías informáticas inteligentes en el siglo XXI. En tercer lugar, la investigación sobre el procesamiento paralelo de algoritmos genéticos es muy activa. Esta investigación es muy importante no sólo para el desarrollo de algoritmos genéticos en sí, sino también para la investigación sobre la arquitectura de una nueva generación de ordenadores inteligentes. En cuarto lugar, están penetrando los algoritmos genéticos y otro nuevo campo de investigación llamado vida artificial. La llamada vida artificial consiste en utilizar computadoras para simular los ricos y coloridos fenómenos de la vida en la naturaleza. Entre ellos, la adaptación biológica, la evolución, la inmunidad y otros fenómenos son importantes objetos de investigación de la vida artificial. aspecto. En quinto lugar, los algoritmos genéticos se combinan cada vez más con teorías de la computación evolutiva como la programación evolutiva (EP) y las estrategias evolutivas (ES). EP y ES se desarrollaron de forma independiente casi al mismo tiempo que los algoritmos genéticos. Al igual que los algoritmos genéticos, son solo métodos de cálculo que simulan el mecanismo de evolución biológica natural. Tienen similitudes con los algoritmos genéticos pero también tienen características propias. En la actualidad, el estudio comparativo de los tres y la discusión sobre la combinación de los dos se están convirtiendo en un tema candente.

En 1991, D. Whitey propuso un operador de cruce basado en el cruce de dominios, especialmente para el cruce de individuos cuyos genes están representados por números de secuencia, y lo aplicó al problema de TSP, que fue verificado mediante experimentos. .

D.H. el grupo). Los resultados experimentales muestran que cuatro de las seis funciones probadas exhiben un mejor rendimiento en comparación con los algoritmos genéticos neuronales de cruce de un solo punto y de cruce uniforme y, en general, SIGH es más competitivo en velocidad de solución que muchos algoritmos existentes.

H.Bersini y G.Seront combinaron el algoritmo genético con el método simplex para formar un operador de cruce simplex llamado operación única, que genera nuevos individuos a partir de dos padres y un individuo adicional. De hecho, sus resultados cruzados son consistentes con los producidos por el cruce electoral de tres individuos. Al mismo tiempo, la literatura también compara estos tres operadores cruzados con cruce puntual y cruce uniforme, y los resultados muestran que estos tres operadores cruzados tienen mejor rendimiento que los otros dos.

Muchos expertos y académicos nacionales han mejorado el operador cruzado de los algoritmos genéticos. En 2002, Dai Xiaoming y otros aplicaron la idea de evolución genética paralela de múltiples poblaciones para buscar espacios variables para diferentes poblaciones en función de diferentes estrategias genéticas, como la probabilidad de mutación y diferentes operadores de mutación, y utilizaron operadores de migración entre poblaciones para intercambiar. genética. información para resolver el problema de los algoritmos genéticos clásicos que convergen en óptimos locales.

En 2004, Zhao et al. propusieron un algoritmo genético paralelo de codificación de bloques de construcción (BCPGA) para resolver el problema de la baja eficiencia de los algoritmos genéticos simples en la búsqueda de optimización combinatoria a gran escala. Este método se basa en un algoritmo genético paralelo de grano grueso para identificar posibles bloques de genes en la población de cromosomas y luego recodificar los cromosomas utilizando los bloques de genes como nuevas unidades genéticas para producir cromosomas más cortos. La población de cromosomas recodificados se utiliza de la misma manera que la población inicial para la siguiente ronda de evolución.

En 2005, Jiang Lei y otros intentaron resolver el problema de TSP con algoritmos genéticos paralelos y discutieron el uso de estrategias elásticas para mantener la diversidad de la población, de modo que el algoritmo pudiera superar los obstáculos de la convergencia local. y evolucionar hacia la solución óptima global.

[Editar este párrafo] Algoritmo General

El algoritmo genético es un modelo computacional que simula el proceso de evolución biológica de la selección genética darwiniana y la selección natural. Sus ideas se originan en la genética biológica y la ley natural de supervivencia del más fuerte. Es un algoritmo de búsqueda con un proceso iterativo de "detección de supervivencia". El algoritmo genético se dirige a todos los individuos de una población y utiliza tecnología de aleatorización para guiar una búsqueda eficiente de un espacio de parámetros de codificación. Entre ellos, la selección, el cruce y la mutación constituyen las operaciones genéticas del algoritmo genético, la configuración de la población inicial, el diseño de la función de aptitud, el diseño de la operación genética y la configuración de los parámetros de control constituyen el contenido central del algoritmo genético.

Como nuevo algoritmo de búsqueda de optimización global, el algoritmo genético se ha utilizado ampliamente en varios campos con sus características notables como simplicidad, universalidad, gran robustez, adecuado para procesamiento paralelo, alta eficiencia y practicidad, ha logrado buenos resultados y gradualmente se ha convertido en uno importante de los algoritmos inteligentes. Los algoritmos genéticos se basan en la biología y no son demasiado difíciles de entender o programar. El siguiente es el algoritmo general del algoritmo genético:

[Editar este párrafo] Crea un estado inicial aleatorio.

Selecciona aleatoriamente una población inicial a partir de soluciones y compara estas soluciones con cromosomas o genes. Este grupo se denomina primera generación y se diferencia de los sistemas simbólicos de inteligencia artificial, en los que el estado inicial del problema ya está dado.

Evaluación de la salud

A cada solución (cromosoma) se le asigna un valor de aptitud en función de su proximidad real a la solución del problema (para aproximar la respuesta al problema). No confunda estas "soluciones" con la "respuesta" al problema, piense en ellas como aquellas funciones que el sistema podría necesitar utilizar para obtener la respuesta.

Reproducción (incluidas las mutaciones en la descendencia)

Aquellos cromosomas con valores de fitness más altos tienen más probabilidades de producir descendencia (la descendencia también mutará). La descendencia es producto de sus padres; se forman combinando los genes de sus padres. Este proceso se llama "hibridación".

Después de la ola

Si la nueva generación contiene una solución y puede producir un resultado lo suficientemente cercano o igual a la respuesta esperada, entonces el problema se ha resuelto. De no ser así, la nueva generación repetirá el proceso reproductivo realizado por sus padres, evolucionando generación tras generación hasta llegar a la solución deseada.

Computación paralela

Los algoritmos genéticos son fácilmente aplicables a la computación paralela y a entornos de clústeres. Un enfoque consiste en tratar cada nodo directamente como una población paralela. Luego, los organismos migran de un nodo a otro siguiendo diferentes patrones de reproducción. Otro enfoque es la arquitectura "granjero/trabajo", donde un nodo se designa como nodo "granjero", responsable de seleccionar organismos y asignar valores de aptitud, y el otro nodo se designa como nodo "trabajo", responsable de la recombinación, mutación y adaptación Evaluación de la función de Grado.

[Editar este párrafo] Algoritmo genético: marco básico

1 Diagrama de flujo del algoritmo genético

El diagrama de flujo del algoritmo genético se muestra en la siguiente figura.

2 Codificación

El algoritmo genético no puede procesar directamente los parámetros del espacio problemático, debe convertirse en cromosomas o individuos compuestos de genes de acuerdo con una determinada estructura en el espacio genético. Esta operación de transformación se llama codificación, que también se puede llamar representación.

Las siguientes tres especificaciones se utilizan comúnmente para evaluar estrategias de codificación:

a) Integridad: todos los puntos en el espacio del problema (soluciones candidatas) se pueden representar como puntos en el espacio GA ( cromosoma).

b) Solidez: Los cromosomas en el espacio GA pueden corresponder a todas las soluciones candidatas en el espacio del problema.

c) Sin redundancia: Existe una correspondencia uno a uno entre los cromosomas y las soluciones candidatas.

Actualmente, varias tecnologías de codificación comúnmente utilizadas incluyen codificación binaria, codificación de punto flotante, codificación de caracteres y codificación de transformación.

La codificación binaria es actualmente el método de codificación más utilizado en algoritmos genéticos. Es decir, el conjunto de caracteres binarios {0,1} genera las cadenas habituales de 0,1 para representar soluciones candidatas al espacio del problema. Tiene las siguientes características:

a) Simple y fácil de implementar

b) Cumplir con el principio de codificación del conjunto mínimo de caracteres

c) Utilizar el; Teorema de la mayoría para analizar y comparar Conveniente porque se basa en el teorema de la mayoría.

3 Función fitness

Fitness en la teoría de la evolución significa la capacidad de un individuo para adaptarse al entorno, y también significa la capacidad reproductiva de un individuo. La función de aptitud del algoritmo genético, también llamada función de evaluación, es un indicador que se utiliza para juzgar la calidad de los individuos del grupo. Se evalúa en función de la función objetivo del problema.

Los algoritmos genéticos generalmente no requieren otra información externa durante el proceso de búsqueda y evolución. Sólo utilizan funciones de evaluación para evaluar la calidad de individuos o soluciones, y sirven como base para operaciones genéticas posteriores. En el algoritmo genético, las funciones de aptitud se ordenan y la probabilidad de selección se calcula en base a esto, por lo que el valor de la función de aptitud debe ser positivo.

Se puede ver que en muchas situaciones es necesario mapear la función objetivo en una función de aptitud con un valor máximo y un valor de función no negativo.

El diseño de la función fitness cumple principalmente las siguientes condiciones:

a) Valor único, continuo, no negativo y maximización;

b) Racionalidad y; sexo consistente;

c) pequeña cantidad de cálculo;

d) gran versatilidad.

En aplicaciones prácticas, el diseño de la función fitness depende de los requisitos de resolución del problema en sí. El diseño de la función de aptitud afecta directamente el desempeño del algoritmo genético.

4 Selección de la población inicial

En el algoritmo genético los individuos de la población inicial se generan aleatoriamente. En términos generales, se pueden utilizar las siguientes estrategias para la configuración inicial de agrupación:

a) Con base en el conocimiento inherente del problema, intente captar el rango de distribución del espacio ocupado por la solución óptima en todo el problema. espacio, y luego dentro de este rango de distribución Establezca la población inicial.

b) Primero generar aleatoriamente un cierto número de individuos, y luego seleccionar los mejores individuos para unirse a la población inicial. Este proceso se repite hasta que el número de individuos de la población inicial alcanza un tamaño predeterminado.

[Editar este párrafo] Algoritmo genético - Operación genética

La manipulación genética es un método de simulación de la herencia genética biológica. En el algoritmo genético, después de codificar para formar una población inicial, la tarea de las operaciones genéticas es aplicar ciertas operaciones a los individuos de la población en función de su capacidad para adaptarse al medio ambiente (evaluación de aptitud), para lograr el proceso evolutivo de supervivencia del más fuerte. Desde la perspectiva de la búsqueda de optimización, las operaciones genéticas pueden optimizar la solución del problema de generación en generación y llevarla a la solución óptima.

Las operaciones genéticas incluyen los siguientes tres operadores genéticos básicos: selección; Estos tres operadores genéticos tienen las siguientes características:

Todas las operaciones de los operadores genéticos individuales se realizan bajo perturbaciones aleatorias. Por lo tanto, las reglas para que los individuos del grupo migren a la solución óptima son aleatorias. Cabe destacar que esta operación de aleatorización es diferente del método de búsqueda aleatoria tradicional. La búsqueda eficiente y dirigida mediante manipulación genética no es una búsqueda no dirigida mediante métodos de búsqueda aleatorios generales.

El efecto de las operaciones genéticas está estrechamente relacionado con la probabilidad de operación, el método de codificación, el tamaño de la población, la población inicial y la función de aptitud de las tres configuraciones de operadores genéticos anteriores.

1 Selección

La operación de seleccionar mejores individuos del grupo y eliminar individuos inferiores se llama selección. Los operadores de selección a veces también se denominan operadores de copia. El propósito de la selección es pasar individuos (o soluciones) optimizados directamente a la siguiente generación, o generar nuevos individuos mediante emparejamiento y cruce, y luego pasarlos a la siguiente generación. La operación de selección se basa en la evaluación de la aptitud de los individuos de la población. Actualmente, existen varios operadores de selección de uso común: método de proporción de idoneidad, método de muestreo transversal aleatorio, método de selección local y método de selección local.

Entre ellos, el método de selección de la ruleta es el método de selección más simple y más utilizado. En este método, la probabilidad de selección de cada individuo es proporcional a su valor de aptitud. Supongamos que el tamaño de la población es n y la aptitud del individuo I es, entonces la probabilidad de que I sea seleccionado es.

Obviamente, la probabilidad refleja la proporción de la aptitud del individuo I con respecto a la aptitud individual total de toda la población. Cuanto mayor sea la aptitud individual. Cuanto mayor sea la probabilidad de ser seleccionado y viceversa. Después de calcular la probabilidad de selección de cada individuo de la población, se requieren múltiples rondas de selección para seleccionar individuos para el apareamiento. Cada ronda genera un número aleatorio uniforme entre [0, 1] y utiliza este número aleatorio como puntero de selección para determinar el individuo seleccionado. Una vez seleccionados los individuos, se pueden formar parejas de apareamiento al azar para operaciones de cruce posteriores.

2 Crossover

La recombinación de genes genéticos biológicos (más mutaciones) juega un papel central en la evolución de la naturaleza. De manera similar, el operador cruzado de las operaciones genéticas es el núcleo del algoritmo genético. El llamado cruce se refiere a la operación de reemplazar y recombinar parte de la estructura de dos individuos progenitores para generar un nuevo individuo. Mediante el cruce, la capacidad de búsqueda de los algoritmos genéticos se puede mejorar enormemente.

El operador de cruce intercambia aleatoriamente algunos genes entre dos individuos de la población en función de la tasa de cruce, lo que puede producir nuevas combinaciones de genes, con la esperanza de combinar genes beneficiosos.

Según los diferentes métodos de representación de codificación, existen los siguientes algoritmos:

a) Reorganización de valor real

1) Reorganización discreta

2) Reorganización intermedia;

3) Reorganización lineal;

4) Reorganización lineal extendida.

b) Cruce de valores binarios.

1) Cruce de un solo punto

2) Cruce multipunto;

3) Cruce uniforme

4) Mezclado; cruce;

5) Utilice agentes reducidos para reducir el cruce.

El operador de cruce más utilizado es el de cruce de un solo punto. La operación específica es: establecer aleatoriamente una intersección en la cadena individual. Cuando se realiza la intersección, las estructuras parciales de los dos individuos antes y después de la intersección se intercambian para generar dos nuevos individuos. Un ejemplo de intersección de un solo punto es el siguiente:

Persona A: 1001 = 1 1 65438 → 1001000 nuevos individuos.

Persona B: 001100→001111 nuevo individuo.

3 cambios

El contenido básico del operador de mutación es cambiar los valores genéticos de ciertos loci genéticos de cadenas individuales en la población. Según los diferentes métodos de representación de códigos individuales, existen los siguientes algoritmos:

a) Cambio de valor real

b) Mutación binaria;

En términos generales, los pasos básicos de la operación del operador de mutación son los siguientes:

a) Utilice la probabilidad de compilación preestablecida para determinar si todos los individuos de la población han mutado;

b) Seleccionar aleatoriamente sitios de mutación para individuos que experimentan mutaciones.

El algoritmo genético introduce mutaciones con dos propósitos: primero, permite que el algoritmo genético tenga capacidades de búsqueda aleatoria local. Cuando el algoritmo genético se acerca a la vecindad de la solución óptima a través del operador de cruce, la capacidad de búsqueda aleatoria local del operador de mutación puede acelerar la convergencia hacia la solución óptima. Obviamente, la probabilidad de mutación en este caso es menor; de lo contrario, los componentes básicos cercanos a la solución óptima serán destruidos por la mutación. En segundo lugar, los algoritmos genéticos pueden mantener la diversidad de la población y evitar una convergencia prematura. En este momento, la probabilidad de convergencia debería ser mayor.

En el algoritmo genético, el operador de cruce se convierte en el operador principal debido a su capacidad de búsqueda global, y el operador de mutación se convierte en el operador auxiliar debido a su capacidad de búsqueda local. Los algoritmos genéticos tienen la capacidad de equilibrar las búsquedas globales y locales mediante cruces y mutaciones, que son operaciones cooperativas y competitivas. La llamada cooperación mutua significa que cuando la población cae en un hiperplano en el espacio de búsqueda durante la evolución y no puede escapar solo mediante el cruce, la operación de mutación puede ayudar a escapar. La llamada competencia mutua significa que cuando la hibridación ha formado los componentes básicos deseados, las operaciones de mutación pueden destruirlos. Cómo utilizar eficazmente el cruce y la mutación es un contenido de investigación importante de los algoritmos genéticos actuales.

El operador de mutación básico se refiere a seleccionar aleatoriamente uno o más loci de las cadenas de codificación individuales en la población y cambiar los valores genéticos de estos loci (la probabilidad de mutación es p.). La operación de mutación básica en la cadena de código binario (0,1) es la siguiente:

El gen marcado * en la parte inferior del locus del gen está mutado.

La selección de la tasa de mutación generalmente se ve afectada por factores como el tamaño de la población y la longitud de los cromosomas. Generalmente se selecciona un valor muy pequeño, normalmente 0,005438 0-0,1.

Condición terminal

Cuando el fitness del individuo óptimo alcanza un umbral determinado, o cuando el fitness del individuo óptimo y el fitness del grupo ya no aumentan, o cuando la iteración Cuando el número de veces alcanza el álgebra preestablecida, el algoritmo termina. El número predeterminado de generaciones generalmente se establece entre 100 y 500 generaciones.

[Editar este párrafo] Análisis de las características del algoritmo genético - algoritmo de resolución

Como algoritmo rápido, simple y tolerante a fallas, el algoritmo genético se puede utilizar en el proceso de optimización de varios objetos estructurales. Muestra claras ventajas. Comparados con los métodos de búsqueda tradicionales, los algoritmos genéticos tienen las siguientes características:

a) El proceso de búsqueda no actúa directamente sobre variables, sino sobre individuos codificados en conjuntos de parámetros. Esta operación de codificación permite que los algoritmos genéticos operen directamente sobre objetos estructurales (conjuntos, secuencias, matrices, árboles, gráficos, cadenas y listas).

b) El proceso de búsqueda itera de un conjunto de soluciones a otro, procesando a varios individuos del grupo al mismo tiempo, reduciendo la posibilidad de caer en una solución óptima local y facilitando la paralelización.

c) Se utilizan reglas de transición probabilísticas para guiar la dirección de búsqueda, en lugar de reglas de búsqueda deterministas.

d) No existen requisitos especiales para el espacio de búsqueda (como conectividad, convexidad, etc.), solo se utiliza información adaptativa, no se requiere otra información auxiliar como derivadas y el rango de adaptabilidad es más ancho.

[Editar este párrafo]Descripción del término

Debido a que el algoritmo genético es un algoritmo de búsqueda generado por la evolución y los mecanismos genéticos, en este algoritmo se utilizará una gran cantidad de conocimiento genético biológico. Aquí hay algunos términos que usaremos:

1. Cromosoma (cromosoma)

Los cromosomas también pueden denominarse individuos genotípicos. Una cierta cantidad de individuos forman una población, y la cantidad de individuos en la población se llama tamaño de la población.

En segundo lugar, el gen

Los genes son elementos de una cadena y se utilizan para expresar características individuales. Por ejemplo, si hay una cadena S = 1011, entonces los cuatro elementos 1 y 1 se denominan genes respectivamente. Sus valores se denominan Alletes.

Tres. Trayectoria (pista)

La posición del gen representa la posición de un gen en la cadena del algoritmo, que se denomina posición del gen, a veces también llamada posición del gen. Las posiciones de los genes se calculan de izquierda a derecha de la cadena. Por ejemplo, en la cadena S = 1101, la posición del gen 0 es 3.

4. Característica genética (Característica genética)

Cuando se usa una cadena para representar un número entero, el valor característico del gen es consistente con el peso del número binario, por ejemplo; , en la cadena S = 1011, el valor propio del gen de 1 en la posición del gen 3 es 2, el valor propio del gen de 1 en la posición del gen 3 es 1 y su valor propio del gen es 8.

5. Fitness

La capacidad de cada individuo para adaptarse al entorno se llama fitness. Para reflejar la adaptabilidad de los cromosomas, se introduce una función que puede medir cada cromosoma en el problema, llamada función de aptitud. Esta función se utiliza para calcular la probabilidad de que un individuo sea utilizado en un grupo.

[Editar este párrafo] Referencias

1. Educación en informática Número 10 Autor: Wang Li

2 Algoritmo genético: teoría, aplicación e implementación de software, Wang. Xiaoping, Cao Liming.

3. Código del programa escrito por Wang Xiaoping, Departamento de Ciencias de la Computación, Universidad de Tongji.

Datos de referencia

1. com: Una niña de 13 años en el Reino Unido sufre una enfermedad hereditaria familiar y su rostro está arrugado como un anciano, 2010 065438 27 de octubre.

/gj/gj-ywdd 2/news/2010/01-27/2094204