机器学习笔记-遗传算法

进化算法之遗传算法

进化算法Evoluation Algorithms(EAs)有以下三个特征：

1. Population-Based：进化算法的优化过程可以描述为：从当前一些比较差的解集当中生成相对比较好的一点的解集。而当前的解集叫做Population。
2. Fitness-Oriented: 如果现在已经有了许多解，那该怎么比较两个解的好坏呢？因此就需要一个衡量一个解好坏的标准：适应性函数。适应性函数能对每一个解赋予它们一个对应的适应度。
3. Variation-Driven：如果在当前的pululation中没有合适的解或者不是最优解，我们就希望做点什么从而得到最优解。因此，这是，每一个解都要经过一些变化，去产生新的解。

下面介绍一个具体的算法：遗传算法 Genetic Algorithm（GA）

遗传算法（Genetic Algorithm， GA）

遗传算法是基于随机的经典进化算法。这里随机的意思是，为了使用遗传算法找到一个解，我们将把一些随机变换应用到当前的解里，从而产生变化，生成新的解。注意：遗传算法（EA）也会被叫做简单遗传算法（Simple Genetic Algorithm，SGA），原因就是它相比于其他遗传算法来说是最简单的。

遗传算法启发与达尔文的进化论。这是一个缓慢渐进的过程，通过做出微小又缓慢的改变发挥作用。因此，遗传算法也是通过对现有解做微小又缓慢的改变，直到得到最好的解。

遗传算法的原理

遗传算法作用在整个“种群”（Population）当中。这个“种群”包含一些个体，每一个个体实际上就是一种解决方法（一个解）。而每一个个体有一个染色体。通常这个染色体是一些特征的集合，它独一无二地描述了相对应的个体。同时，染色体里面有许多基因。在计算机里，我们可以用许多方法去表示基因。如下图，用0和1去表示基因。

当然，每一个个体都要用一个适应度，这个适应度是由适应函数给出的。它可以用于评估两个个体之间的好坏。适应度越高，表示该个体越适合在该“环境”下，那么就应该被保留下来；适应度越低，表示个体不适合该“环境”，或者说解不够好，那么就应该淘汰这个个体。

我们把适应度比较高的个体放在一个交配池（mating pool）里。在交配池里的个体就叫做父辈。从交配池中任意选出来的两个个体将会产生一个孩子。通过交配两个高质量的父辈，我们期望会得到一个比父辈更高质量的孩子出来。当然，如果产生出来的孩子适应度比父辈还低，那么这个孩子就会被淘汰掉。通过这样不断的迭代，直到产生了具有最优适应度的孩子或达到了预先的要求为止。

当前种群中产生出来的孩子具有父辈的一些特点。且这些孩子就不在改变了。而接着再产生下一代的时候，可能会生成跟上一代相同的孩子，且父辈们的缺点都保留着。因此，我们就希望孩子也要加入到种群当中，甚至是淘汰掉父辈们。

其流程图大概如下：

到这里为止，为了完全理解GA算法，我们必须弄清楚以下两个问题：

1. 如何从连个父辈中生成孩子？
2. 如何轻微地修改孩子使得其成为一个不同的个体？

下面介绍染色体的表示方法和进化过程。

染色体的表示方法和进化

现存在有许多有效表示染色体的方法。染色体的表示方法针对具体问题而变化。一个好的表示方法能缩小整个搜索空间，减少搜索时间，从而提高算法的效率。

现有的表示染色体的方法：

1. Binary（二进制）：就是每一个染色体都变表示成0和1的字符串。
2. Permutation（排列组合）：这种表示方法在面对一些有序问题的时候很有效，如旅行商人问题。
3. Value（数值）：就把染色体编码成一个具体的实数。

例如，我们用二进制去表示数字7：

\[0 1 1 1 \]

\(0111\)就是我们说的染色体，而里面的每一个字符就是一个基因。

学过高中生物的同学应该知道，染色体的表现形式有两种：

1. 基因型：即染色体中所有基因的集合。
2. 表现型：即物理上表现出来的形状。

在上面这个例子中，\(0111\)就是基因型，数字7就是表现型。

在明白了染色体的表现方法后，这下来我们看如何去计算每一个染色体它的适应度值（fitness value）？

假设适应函数（fitness function）为：

\[f(x)=2x+2 \]

其中\(x\)就是染色体。

那么，数字7这条染色体它的适应函数值就为：

\[f(7)=2*7 + 2 = 16 \]

计算染色体适应函数的过程就称为进化（evolution）

初始化

在表示完每一个个体之后，接下来就是选着一定数量的个体作为种群.

选择

然后就是基于给定的适应函数，选择出适应值比较高（高出指定的值）的个体，即从种群中选择一些个体，放在交配池里。

变异

然后从交配池中有序地选着两个个体出来作为父辈（如1-2，3-4等等）。另一种选着方法是每次都随机选两个。

针对选出来的两个父辈，进行变异操作。包括两种操作：

1. 交叉变换
2. 突变

下图是交叉变换和突变的示意图：

交叉变换

遗传算法的交叉变换也类似于生物学上染色体的交叉变换。通过拆分每一哥父辈的一部分染色体，然后在重新组合形成新的染色体。孩子从每一个父辈得到的基因数量是随机的。（因为本文介绍的算法就是基于随机的进化算法，也是最简单的进化算法。）。有时候，父辈染色体会被拆成两部分，拆分的位置随机，然后选择交换父辈们上半段的染色体或下半段染色体。最后的结果就是生成新的染色体。而这种只断开染色体一次的操作就称为单点交换（此外，还有多点交换）。

突变

针对每一个孩子，任意改动它的一些基因。当然，具体要怎么改依赖于染色体的表现形式。如果染色体是用二进制表示的，那么突变操作无非就是把某些为上的值从0改成1或者是从1改成0。但是如果染色体是用数值型的方法表示的，那么就只能在值域内随机选择了。

引用

https://www.linkedin.com/pulse/introduction-optimization-genetic-algorithm-ahmed-gad/

来源：oschina

链接：https://my.oschina.net/u/4335103/blog/4286857