搜索
遗传算法的基本操作有哪些步骤？在函数极大值遗传算法仿真中，通过改变群体大小M、终止进化代数G、交叉概率Pc和变异概率Pm，分析群体大小、终止进化代数、交叉概率和变异概率对优化效果的影响。答：基本操作：1、选择操作：对种群中的个体进行逐个解码并根据目标函数计算适应值（适配度），以此为根据确定各个体的复制概率。2、复制操作：复制过程是个体串按照它们的适配度进行复制，适配度越大的串，在下一代中将有更多的机会提供一个或多个子孙。3、交叉操作：通过在两个父代染色体的位串上随机选择一个位置（交叉点），并把交叉点以后的部分互换而产生两个子代染色体的过程。4、变异操作：用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。各参数对优化效果的影响：（1）种群大小M。种群规模M表示每一代种群中所含个体数目。当M取值较小时，可提高遗传算法的运算速度，但却降低种群的多样性，容易引起遗传算法早熟，出现假收敛；而当M取值较大时，又会使得遗传算法效率降低。一般建议的取值范围是20-100。（2）终止进化代数G。遗传算法不同于传统优化算法，它很难有明确的搜索终止准则（特别是对于非数值优化问题），于是通常需指定一个终止进化代数来终止算法，一般设G为[100,1000]。一般来说，事先指定G通常只能找到给定问题的在给定时限内所能寻求的相对满意解，但不一定是问题的最优解或较高精度的近似解。为了获得较高精度解，通常可依据种群适应度的稳定情况来实时调整G的设置。（3）交叉概率Pc。在遗传算法中交叉算子被认为是主要搜索算子，因而一般取较大值。一般说，较大的Pc容易破坏群体中已形成的优良模式，是搜索的随机性太大，而较小的Pc使发现新个体（特别是优良新个体）的速度太慢。一般建议的取值范围是0.4-0.99。另外，比较理想的的方式是非一致地使用交叉概率，例如在遗传算法的前期使用较大的Pc，后期降低Pc以保留优良个体。（4）变异概率Pm。较大的变异概率Pm使遗传算法在整个搜索空间中大步跳跃，而小的变异概率使遗传算法聚焦于特别区域作局部搜索。一般在不使用交叉算子的情形（演化策略算法，进化程序算法），变异算子作主要搜索算子，Pm取较大值（0.4~1）而在与交叉算子联合使用的情形（遗传算法），Pm通常取较小值（0.0001~0.5）。