基于遗传算法的染色体编码的分析
遗传算法的原理及MATLAB程序实现.
1 遗传算法的原理1.1 遗传算法的基本思想遗传算法（genetic algorithms，GA）是一种基于自然选择和基因遗传学原理，借鉴了生物进化优胜劣汰的自然选择机理和生物界繁衍进化的基因重组、突变的遗传机制的全局自适应概率搜索算法。
遗传算法是从一组随机产生的初始解（种群）开始，这个种群由经过基因编码的一定数量的个体组成，每个个体实际上是染色体带有特征的实体。
染色体作为遗传物质的主要载体，其内部表现（即基因型）是某种基因组合，它决定了个体的外部表现。
因此，从一开始就需要实现从表现型到基因型的映射，即编码工作。
初始种群产生后，按照优胜劣汰的原理，逐代演化产生出越来越好的近似解。
在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样，后代种群比前代更加适应环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
计算开始时，将实际问题的变量进行编码形成染色体，随机产生一定数目的个体，即种群，并计算每个个体的适应度值，然后通过终止条件判断该初始解是否是最优解，若是则停止计算输出结果，若不是则通过遗传算子操作产生新的一代种群，回到计算群体中每个个体的适应度值的部分，然后转到终止条件判断。
这一过程循环执行，直到满足优化准则，最终产生问题的最优解。
图1-1给出了遗传算法的基本过程。
1.2 遗传算法的特点1.2.1 遗传算法的优点遗传算法具有十分强的鲁棒性，比起传统优化方法，遗传算法有如下优点：1. 遗传算法以控制变量的编码作为运算对象。
传统的优化算法往往直接利用控制变量的实际值的本身来进行优化运算，但遗传算法不是直接以控制变量的值，而是以控制变量的特定形式的编码为运算对象。
这种对控制变量的编码处理方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地处理各种变量和应用遗传操作算子。
2. 遗传算法具有内在的本质并行性。
LabVIEW中的遗传算法和优化问题求解
LabVIEW中的遗传算法和优化问题求解LabVIEW（Laboratory Virtual Instrument Engineering Workbench）是一种广泛应用于工程、科学和教育领域的可视化开发环境和图形编程语言，它的强大功能和灵活性使得它在工程领域中被广泛使用。
在LabVIEW中，遗传算法（Genetic Algorithm）被广泛应用于优化问题的求解。
遗传算法是一种基于生物进化理论的优化算法，它通过模拟生物进化的过程，通过选择、交叉和变异的操作来搜索最优解。
在LabVIEW 中，遗传算法通过使用遗传算法工具箱来实现。
使用遗传算法求解优化问题的一般步骤如下：1. 定义问题：首先需要明确优化问题是什么，以及问题的目标函数是什么。
例如，我们要最小化一个函数或者使得某个约束条件满足等。
2. 设计编码方案：遗传算法是基于染色体编码的，我们需要设计一个合适的编码方案来表示问题的解空间。
例如，可以使用二进制编码、实数编码或者排列编码等。
在LabVIEW中，可以使用BitArray或者RealArray来表示染色体。
3. 初始化种群：种群是遗传算法的基本单位，它由多个个体组成。
在LabVIEW中，可以使用一个数组来表示一个种群，数组的每个元素表示一个个体。
4. 评价个体适应度：每个个体都有一个适应度值，表示其在问题中的优劣程度。
在LabVIEW中，可以根据定义的目标函数来计算个体的适应度值。
5. 选择操作：根据个体的适应度值，选择一定数量的个体用于后续的交叉和变异操作。
选择操作根据适应度值的大小来进行，适应度值越大的个体被选中的概率越高。
6. 交叉操作：选择的个体通过染色体的交叉操作来生成新的个体。
交叉操作类似于生物中的基因交换过程，在LabVIEW中可以使用Crossover函数来实现。
7. 变异操作：对于新生成的个体，通过染色体的变异操作来引入新的基因变化。
变异操作类似于生物中的基因突变过程，在LabVIEW中可以使用Mutation函数来实现。
基于Huffman染色体编码的抗早熟遗传算法研究
摘 要： 针对传统 的遗传算法在大量的冗余数据 中进行运算的时候 ， 会对数据进行迭代处理 ， 到获取 直
指 定区域 中的理想 取值 ， 或者在上述数据 中不 能出现更加优异 的个体 ， 在数据集合 中的个体相似度 较
高 ， 出现早熟问题 。 了解决这一 问题 ， 造成 为 提出 了基于Ｈ ｆ ａ染 色体 编码 的抗早熟遗传算法 ， 早 ｕｍ ｎ 在抗
ｏ ｈｅ Ｐｒ ｃ ｃｏ ｓ Ｓ ｕ ｎｅ ｉ ｇ ｒｔ ｍ ｆｔ ｅ ｏ ｉ ｕ ｔ ｄｙ Ｇｅ ｔｃＡｌ ｏ ｉｈ
Ｚ ａｇＣ ａ ｈｎ ｈ ｎ
（ｅ ａ ｍ ｎ ｆ ｏ ｐ ｔ ｎ ｉｅｒ ｇ， ｕ ｎＤ ｎ ｄ ｓ ｅｈ ｉ ｌ ｏ ｅｅＧ ａｇｈｕ５ ０ ０ ，ｈ ａ Ｄ ｐ ｒ ｅ ｔ ｍ ｕｅ Ｅ ｇ ｅ ｎ Ｇ ａｇ ｏｇＩ ｕｔ Ｔ ｃｎｃ ｌ ｇ，ｕ ｎｚｏ １３ ０ ｉ ） ｔ ｏＣ ｒ ｎ ｉ ｎ ｒ ｙ ａＣ ｌ Ｃ ｎ
关 键 词 ： 色体 编码 ； 早 熟 ； 传 算 法 染 抗 遗
中图分类号 ：Ｐ ９ Ｔ ３３
文献标识码 ： Ａ
文章编号 ：０ １ ７ １ （０ ２ １— ０ １０ １０ — １９ ２ １ ）０ ０ ８ — ４
Ｈｕ ｆ ａ ｄ ｎ ｓ ｄ ｏ ｒ ｍｏ ｏ ｓｓａ ｃ ｆｍ ｎ Ｃｏ ｉ ｇ Ｂａ ｅ ｎ Ｃｈ ｏ ｓ ｍｅ Ｒｅ ｉｔ ｎ ｅ
Ａｂ ｔ ａ ｔ Ａｃ ｏ ｄ ｎ ｏ ｔ ｅ ｔ ｄ ｔ ｎ ｌ ｅ ｅｉ ｌｏ ｔ ｍ ｎ ａｌ ｌ ｃ ｎ ｅ ｇ ｏ ｓｒ ｃ ： ｃ ｒ ｉ ｇ ｔ ｈ ｒ ｉ ｏ ａ ｎ ｔ ａｇ ｒ ｈ ｉ ａ ｇ ｕ ｅ ｆｒ ｕ ｄ ｎ ａａ ｏ ｅ ａｉ ｓ ｗｉ ｏ ｖ ｒ ｅ ｔ ａ ｉ ｇ ｃ ｉ ｅ ｏ ｌ ａ ｌ ｃ ｐ ｉ ｌｖ ｌ ｅ ａ ｄ ｎ ｏ ｇ ｒｅ ｏ ｕ ｉｎ ｏ ｒ ｕ ｓｃ ｎｔｐ ｏ ｕ ｅ ｍｏｅ ｔ ａ ａｈ ｒ ｇ ｎ ｒ ｔ ｎ ｏ ｆ ｐ ｎ ｅ ｆ ｒ ｏａ ｏ ｔ ｌ ｍａ ａｕ ｎ ｏ ｌｎ ｅ ｖ ｌ ｔ ， ｒ ｇ ｏ ｐ ａ ＇ ｒ ｄ ｃ ｒ ｈ ｎ ｆｔ ｅ ｅ ｅ ａ ｉ ｆｏ ｓ ｒ ｇ ｐ ｒｏ － ｏ ｏ ｉ
遗传算法 基本原理
遗传算法基本原理遗传算法是一种基于生物进化原理的优化算法，通过模拟生物进化过程中的遗传机制和选择、交叉、变异等操作，实现问题的求解。
下面介绍遗传算法的基本原理。
遗传编码遗传算法的起点是编码，它将问题的解用一种编码方式表示出来。
编码方式有多种，如二进制编码、实数编码、染色体编码等。
编码方式的选择取决于问题的性质和求解精度要求。
初始种群遗传算法的另一个起点是初始种群，它是一组随机生成的个体集合。
每个个体代表问题的一个可能解。
初始种群的大小和个体质量直接影响到算法的性能和求解结果的质量。
适应度函数适应度函数是用来评估种群中每个个体的优劣程度。
适应度函数的选择应该根据问题的性质来确定，使得函数的值能够反映出个体的优劣程度。
适应度函数通常是将问题的目标函数进行转化得到的。
选择操作选择操作是根据适应度函数来选择种群中的个体进行繁殖。
选择操作有多种方式，如轮盘赌选择、锦标赛选择等。
这些方式都会根据个体的适应度来决定其被选中的概率。
选择操作的目标是保留优秀的个体，淘汰较差的个体。
交叉操作交叉操作是模拟生物进化过程中的基因交叉过程，通过两个个体进行交叉产生新的个体。
交叉操作有多种方式，如单点交叉、多点交叉、均匀交叉等。
交叉操作的目的是通过结合两个个体的优点来产生更优秀的个体。
变异操作变异操作是模拟生物进化过程中的基因突变过程，通过随机改变某个个体的部分基因来产生新的个体。
变异操作的目的是增加种群的多样性，避免算法过早陷入局部最优解。
终止条件终止条件是指算法终止的条件或标准。
通常情况下，终止条件可以根据问题的性质和求解要求来确定，如达到最大迭代次数、解的变化幅度小于一定阈值等。
当满足终止条件时，算法停止迭代，并输出当前种群中适应度最好的个体作为问题的解。
遗传算法原理及应用
遗传算法原理及应用介绍遗传算法是一种受生物进化理论启发的优化算法，它模拟了自然界中的基因编码、交叉、变异和选择等过程。
遗传算法被广泛应用于求解复杂问题，如优化问题、搜索问题、机器学习等领域。
本文将介绍遗传算法的基本原理、流程以及在不同领域中的应用。
基本原理遗传算法的基本原理是通过模拟进化过程来搜索最优解。
算法通过构建一个种群，每个个体都代表了一个解。
通过遗传操作，包括选择、交叉和变异，不断改进种群中的个体，使其逐步逼近最优解。
1. 初始化种群遗传算法的第一步是初始化一个种群，种群中的个体表示待解决问题的一个可能解。
个体可以用二进制编码、整数编码、浮点编码等方式表示。
种群的大小和个体的编码方式会直接影响算法的搜索能力和效率。
2. 适应度评估每个个体都会通过适应度函数进行评估，适应度函数衡量了个体的适应程度，即其解决问题的能力。
适应度函数的选择依赖于具体问题的特点，如最大化问题可以使用目标函数值作为适应度，最小化问题可以使用目标函数的倒数或负值作为适应度。
3. 选择操作选择操作通过概率选择机制从种群中选择个体，用于构建下一代种群。
适应度高的个体被选中的概率较大，从而保留有较好的性状。
选择算子的选择有多种方法，如轮盘赌选择、锦标赛选择等，这些方法可以根据具体问题的特点进行调整。
4. 交叉操作交叉操作模拟了自然界中基因的交换过程，通过交换两个个体的染色体片段来产生新的个体。
交叉操作能够将两个个体的优良特性进行组合，从而产生具有更好适应度的后代。
交叉操作的方式多种多样，如单点交叉、多点交叉、均匀交叉等。
5. 变异操作变异操作模拟了自然界中基因的突变过程，通过改变个体的某些基因来产生新的个体。
变异操作保持了种群的多样性，并有可能引入新的解决方案。
变异操作的方式也有多种，如位变异、边界变异、非均匀变异等。
6. 更新种群经过选择、交叉和变异操作后，生成了下一代种群。
通过不断迭代以上步骤，种群的适应度逐渐提高，优秀的个体会逐渐占据主导地位。
基于遗传算法求解TSP问题
适应度函数
适应度函数用于评估每个染色体的优劣程 度，根据问题的不同，适应度函数需要进 行定制设计。
交叉操作
交叉操作将两个染色体的基因进行交换， 以产生新的个体。常见的交叉方法有单点 交叉、多点交叉等。
选择操作
选择操作根据适应度函数的评估结果，选 择优秀的个体进入下一代种群。常见的选 择方法有轮盘赌选择、锦标赛选择等。
通过选择操作，优秀的个体有更大的机会被选中并参与交叉和变异操作 。交叉操作将两个个体的染色体进行交换，以产生新的个体。变异操作 则对染色体的某些基因进行随机改变，以增加种群的多样性。
遗传算法构成要素
种群
种群是由一组染色体组成的集合，每个染 色体都是优化问题的潜在解。
变异操作
变异操作对染色体的某些基因进行随机改 变，以增加种群的多样性。常见的变异方 法有位点变异、倒位变异等。
04
基于遗传算法的TSP问题求解
TSP问题的遗传算法建模
编码方式
使用染色体编码方式，将TSP问题的解编码 为染色体。
适应度函数
使用距离作为适应度函数，评估染色体的优 劣。
解码方法
通过解码方式将编码后的染色体还原为TSP 问题的解。
遗传操作
包括选择、交叉和变异等操作，用于产生新 的染色体。
编码方式与解码方法
VS
实验环境
本次实验在Windows 10操作系统下进行 ，使用Python 3.8作为编程语言，并利用 NumPy和Matplotlib等库进行数据处理 和可视化。
实验结果展示
最优解
通过运行遗传算法程序，我们得到了最优解为207.9km，与TSPLIB中的最优解206.2km相TSP问题是一个NP-hard问题，它具有以下特征
遗传算法
j=0 选择两个交叉个体 执行交叉 将交叉后的两个新个体 添入新群体中 j = j+2
将复制的个体添入 新群体中
j = j+1
N
j = M? Y
N
j = pc· M? Y
Gen=Gen+1
N
j = pm· M? L· Y
遗传算法应用举例 ——在函数优化中的应用
[例] Rosenbrock函数的全局最大值计算。
bi 2i1 )
i 1
U max U min 2 1
0.3 70352 (12.1 3) /(218 1) 1.052426
二）个体适应度评价
如前所述，要求所有个体的适应度必须为正数或零，不能是负数。
(1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定
max s.t. 如图所示： 该函数有两个局部极大点， 分别是: f(2.048, -2048) =3897.7342 f(-2.048,-2.0048) =3905.9262 其中后者为全局最大点。 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
变异操作示例
变异字符的位置是随机确定的，如下表所示。某群体有3个个体，每个体含4 个基因。针对每个个体的每个基因产生一个[0, 1] 区间具有3位有效数字的值产生变异。表 中3号个体的第4位的随机数为0.001，小于0.01，该基因产生变异，使3号个体由
下面介绍求解该问题的遗传算法的构造过程：
第一步：确定决策变量及其约束条件。 s.t. 第二步：建立优化模型。 max 第三步：确定编码方法。 用长度为l0位的二进制编码串来分别表示二个决策变量x1,x2。 lO位二进制编码串可以表示从0到1023之间的1024个不同的数，故将x1,x2的 定义域离散化为1023个均等的区域，包括两个端点在内共有1024个不同的离散点。 从离散点-2.048到离散点2.048，依次让它们分别对应于从0000000000(0)到 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于遗传算法的染色体编码的分析
第19卷第1期
2010年1月
重庆电子工程职业学院V o1.19NO.1
lan.2010oumalofChon￡咽in￡CoUe~eofElectronicEnl~ine
基于遗传算法的染色体编码的分析
吴焱岷
(重庆大学计算机学院,重庆400044;重庆电子工程职业学院,重庆401331)
摘要:遗传算法为解决复杂问题,特别是NP类问题提供了一种全新的思路,其编码方式也将在一定程
度上决定算法效率的高低和程序设计的复杂程度.需要针对想要解决问题类型的不同而采取不同的编码方式.
关键词:遗传算法;编码;值类型;事务类型
中图分类号:TP39文献标识码:A文章编号:1674—5787(2010)01一【)【】86一O2
遗传算法的概念最早是由BagleyJ.D在1967年提出
的.而开始遗传算法的理论和方法的系统性研究在1975
年开始.这一开创性工作是由Michigan大学的J.H.
Holland所实行.遗传算法简称GA(GeneticAlgorithm),在
本质上是一种不依赖具体问题的直接搜索方法.其基本
思想是基于Darwin进化论和Mendel的遗传学说
Darwin进化论最重要的是适者生存原理它认为每
一
物种在发展中越来越适应环境.物种每个个体的基本
特征由后代所继承.但后代又会产生一些异于父代的新
变化.
Mendel遗传学说最重要的是基因遗传原理它认为
遗传以密码方式存在细胞中.并以基因形式包含在染色
体内每个基因有特殊的位置并控制某种特殊性质,所
以.每个基因产生的个体对环境具有某种适应性.基因突变和基因杂交可产生更适应于环境的后代.经过存优去
劣的自然淘汰.适应性高的基因结构得以保存下来.
遗传算法最大的特点莫过于可以绕过复杂的数学推
导而采用最直接的方式在有限空间中搜索结果.例如求
函数f(x)=x*sin(10"n'x)+2在(一1,2)区间上的极大值,按照常规思路.需要对函数求导,找出函数的变化趋势和拐点.才能确定最大值的位置.对于相对简单的函数.采用
这些数学的方法还没有太高的难度.但是对于复杂的函数.则需要较为深厚的数学功底.同时也增加了程序设计的复杂程度
对于GA.采用一套全新的思路,首先任意给定一组
随机值x.由此开始进行演化.这些值就是代表一系列原
始生命.这些生命是否可以延续,取决于他们的适应程
度将这些随机值带入函数中进行运算,对得到的一系列
函数值进行排序.求最大值,可以认为值较大的函数值对应的x接近我们所需要的结论,这些结果可以保留;反之.对于另外一些函数值较小的x.则表明应该被淘汰.
第二步就是按照Mendel的基因理论.对这些将被淘
汰的X进行演化.演化分两步进行:
(1)交叉.两个x值交换数据,类似生物界的交配,染
色体进行重新重组.交换基因以期得到新的品种,新品种可能更加适应环境而得到生存的机会.也可能向相反的
方向发展.从而失去生存的机会.因此通过某种方式得到新的X的值可以导致函数值增大.也可能导致减小,他们都将参加新一轮的竞争
(2)变异.单一的X值进行自身的调整,这类似于生
物界的染色体发生基因突变.突变后的基因也可能导致
物种更加适应或更加不适应环境.因此通过突变方式后
要重新评估函数值以决定新的X值的去留.同样新的X
值也必将参加新一轮的竞争
通过一系列操作.我们始终保留函数值较大的一系
列X.如同生物竞争中只有最强的个体才能生存下来一
样.最终我们可以得到最佳答案
按照上面的思路.我们任意产生100个随机数.经过
100代的进化.得到如下结论:
在第27代最早出现最佳运算结论:
f(1.8505594374083l1=3.85027363583461
共使用4.828125秒.起始时间:21:54:08.31,结束时
间:21:54:12.859
经过反复测试.结果可以稳定x=1.85附近.这和理论
值也是非常近似的那么GA是如何保证这种收敛性的
呢7原因就在于它的编码方式可以很好地与基因理论相
融合.
显然.由于X的编码方式千差万别,因此J.H.Holland
本人也提及采用二进制才是最佳方式.这样做的好处有
两点:
收稿日期:2009一l2一l8
作者简介:吴焱岷(1974一),男,湖北武汉人,重庆大学计算机学院计算机科学技术专业2004级在职研究生,重庆电子工程职业
学院计算机应用系党总支副书记,主要从事软件设计,网站建设方面的研究.
87重庆电子工程职业学院第19卷
1.数据在计算机内部就是采用二进制方式.这样的
编码方式与计算机内部的数据表示相吻合.便于计算机
的处理
2.如同染色体的基因.每一位二进制数据单元就是
可以进行操作的最小单元.便于对交叉与变异这两种基
本的遗传现象的模拟
正是将生命遗传,进化的规律运用到程序设计中,所
以程序运行符合自然规律.可以得到理想的结果
遗传算法在当时提出主要解决科学计算方面的问
题.即值类型的问题.采用二进制的形式可以很好的解决
编码问题.一般我们这样来进行操作:
不失一般性.我们可以假设在(a,b)区间上搜索某一
个结论.假设对于X要求精度为小数点后n位
首要问题是需要确定染色体的二进制位数.a到b的
长度为fb—a),每个待编码的数据保留到小数点后n位.
表明1个单位数据中包含l0n个待编码的数.那么整个探索空间中就有(b—a)10n个需要编码的数据.由于采用二
进制编码.所以要表示这么多数据,需要至少m位,则有:
2≥(b-a)10"一m≥In2((b-a)10n)
所以m可以由ln((b—a)l0的结果向上取整表示,这
样I11位的二进制数至少可以表示出(b--a)*10n个数据了. 这种编码方式对于科学计算类的问题是非常有效
的.因为我们的解空间是连续的,而采用二进制编码方
式.我们也可以近似的认为其表示的数值空间也是"连续"的.这样我们按照基因组成染色体的方式.可以对二
进制数据进行重组,以考查哪些基因有利于问题的解决. 但是需要注意的问题是.随着GA在更加广泛的领域加
以应用.有一个新的情况出现了,即对于事务性的问题,
二进制编码同样高效么?
以GA在排课系统的应用为例.如果用二进制表示
的话.必须按照定长进行切割P位表示上课教室,q位表
示上课时间,每一个课程需要(p+q)位来表示未来课表中
的上课时间与上课教室信息.但是由于初始状态是随机
的.上课时间和上课教室必然存在很多的冲突或搭配不理想的地方.需要对这些问题进行逐一的统计及处理.那么需要将原来二进制表示的信息还原成原本表示的上课时间,上课教室信息,同时课程表的二维表格被修改成一维空间.这给操作也带来了很多不必要的麻烦,所以有必要对原有的编码形式重新认真考虑.
针对上述问题.没有必要一定采用一维的二进制编
码习惯.到底如何表示染色体和基因要视具体情况而定, 在排课问题中.我们大可将染色体直接设计成二维模型. 表示上课时间,上课教室的二维布局,将课程(含班级,教师信息)填充其中.只要保证一个单元格中仅仅放入一项课程就已经避免了上课时间,上课教室上潜在的冲突的可能性.做了这样的调整后,在进行交叉,变异操作时,也可以以班级或老师为单位进行.而不必像二进制编码一般随机的抽取.这样可以保留较好的基因.加快收敛的速度以取得更加令人满意的结果
改造后的染色体如下图所示
教室1教室2教室3教室4教室n
上课时间l$.…..
上课时间2$}
上课时间3${
上课时间nl
基因的编码可以采用灵活的方式.不一定非要采取
二进制形式,因为每一单元格中包含课程,班级,教师等
信息,可以用类或结构体将其封装起来,至于课程,班级, 教师等信息的编码则可以灵活处理.为了和数据库进行数据的无缝交流.建议采用十进制编码形式.以便与数据库内部的代码保持一致.从而可以省却许多不必要的编码和解码开销
综上所述.在GA中我们对于染色体的编码不一定
要采取二进制的形式.具体要视待解决问题的性质而定: 1.对于值类型的求解问题.可以采用二进制的编码
形式.以便保持数据在计算机内部以及染色体表示上的一
致.
2.对以事务型的求解问题.可以灵活采用一维或多
维的染色体表示形式.对基因的编码.则可以采用更加灵活形式:十进制,字符串,结构体或类等.
任何算法需要随时代的发展而不断的修正.在遗传
算法提出之初.我们解决的多是数值运算类型的问题,用二进制的表达形式便于保持基因内在数据与外在表现形式的统一.但是当我们把这种方法移植到事务型问题的求解上时.二进制编码由于本身的缺陷而不足以表达丰富的含义.反而成为绊脚石.我们可以对其编码方式进行调整.以适应问题求解的需要.
在遗传算法提出之机.计算机硬件水平相对较低.需
要充分考虑硬件上时间,空间的开销.而如今硬件水平高速发展,牺牲一定的空间,时间而带来程序设计难度的降低也不失是一种可行的方案
责任编辑王荣辉。