Ejemplo de optimización de algoritmo genético

Ejemplo de cálculo de simulación manual de algoritmo genético

Para comprender mejor el proceso de operación del algoritmo genético, los siguientes cálculos manuales se utilizan para simular simplemente los principales pasos de ejecución del algoritmo genético.
   
  
     Ejemplo: Encuentre el valor máximo de la siguiente función binaria:

    (1)
           El objeto del algoritmo genético de codificación individual es una cadena de símbolos que representa a un individuo, por lo que las variables x1, x2 deben codificarse como una
       cadena de símbolos. En esta pregunta, está representado por un entero binario sin signo.
           Por x1, x2 es un número entero entre 0 y 7, respectivamente, por lo tanto representado por tres enteros binarios sin signo,
       está conectado un número binario sin signo de 6 bits compuesto juntos para formar un genotipo, mostrando un ser
       solución factible.
           Por ejemplo, el fenotipo correspondiente al genotipo X = 101110 es: x = [5, 6].
           El fenotipo x y el genotipo X individuales se pueden convertir mutuamente mediante procedimientos de codificación y decodificación.

(2) La generación de la población inicial. El
          algoritmo genético es una operación evolutiva de la población, y es necesario preparar algunos
      datos de la población inicial que representan el punto de búsqueda inicial .
         En este ejemplo, el tamaño de la población es 4, es decir, la población está compuesta por 4 individuos y cada individuo puede
     generarse mediante un método aleatorio .
          Tales como: 011101, 101011, 011100, 111001
         
 (3) Cálculo del jugo de aptitud En el
          algoritmo genético, la aptitud del individuo se usa para evaluar los pros y los contras de cada individuo, determinando así
       el tamaño de sus oportunidades genéticas .
          En este ejemplo, la función objetivo siempre toma un valor no negativo, y el valor máximo de la función es el objetivo de optimización, por lo que el
       valor de la función objetivo puede usarse directamente como la aptitud del individuo.

 (4) Operación de selección La operación de
          selección (u operación de copia) hereda los individuos con mayor aptitud en la población actual a la población de la próxima generación de acuerdo con una cierta regla o modelo. Por lo general, se requiere que las personas con mayor aptitud física tengan más posibilidades de pasar a la siguiente generación
      .                   
En este ejemplo, usamos una probabilidad proporcional a la aptitud para determinar el número de individuos copiados en la población de la próxima generación
     . El proceso de operación específico es:
         • Primero, calcule la aptitud total de todos los individuos en el grupo fi (i = 1.2,…, M);
         • En segundo lugar, calcule la aptitud relativa fi / fi de cada individuo. Es
             la probabilidad de que cada individuo sea heredado en la población de la próxima generación.
         • Cada valor de probabilidad forma una región, y la suma de todos los valores de probabilidad es 1;
         • Finalmente, se genera un número aleatorio entre 0 y 1, de acuerdo con el número aleatorio. que aparece en el área de probabilidad anterior
             dentro de cada individuo para determinar el número de veces seleccionado.

(5) Operación Crossover La operación
        Crossover es el proceso principal de generación de nuevos individuos en algoritmos genéticos, intercambia
    algunos cromosomas entre dos individuos con cierta probabilidad .
       En este ejemplo, se utiliza el método de cruce de un solo punto.El proceso de operación específico es:
       • primero emparejar la población al azar,
       • establecer aleatoriamente la posición del punto de cruce,
       • finalmente, intercambiar algunos genes entre los cromosomas emparejados.

(6) operación de mutación operación de
         mutación es uno o unos pocos locus de genes de valores individuales de acuerdo con una probabilidad menor al
     cambio de línea, también es un método para operar una nueva generación de individuos.
        En este ejemplo, utilizamos el método básico de mutación de bits para realizar el cálculo de la mutación. El proceso de operación específico es:
        • Primero, determine la posición de la mutación genética de cada individuo. La siguiente tabla muestra la posición del punto de mutación generado aleatoriamente
          y el número indica la mutación. El punto se establece en el locus
        • Luego, el valor original del gen del punto de mutación se invierte de acuerdo con una cierta probabilidad.

Se puede obtener una nueva generación de población p (t + 1) después de realizar una ronda de operaciones de selección, cruce y mutación en la población P (t).

Como se puede ver en la tabla, luego evolucionó población tras generación, la aptitud del máximo, promedio, tuvo
    mejoras significativas. De hecho, aquí se ha encontrado el mejor individuo "111111".       
[Nota]      
        Cabe señalar que los datos de algunas columnas de la tabla se generan aleatoriamente. Con el fin de ilustrar mejor el problema,
   hemos seleccionado deliberadamente algunos valores mejores para obtener mejores resultados En el proceso de cálculo real,
   puede tomar una cierta cantidad de ciclos para lograr este resultado óptimo.

Ejemplo de cálculo de simulación manual de algoritmo genético

Para comprender mejor el proceso de operación del algoritmo genético, los siguientes cálculos manuales se utilizan para simular simplemente los principales pasos de ejecución del algoritmo genético.
   
  
     Ejemplo: Encuentre el valor máximo de la siguiente función binaria:

    (1)
           El objeto del algoritmo genético de codificación individual es una cadena de símbolos que representa a un individuo, por lo que las variables x1, x2 deben codificarse como una
       cadena de símbolos. En esta pregunta, está representado por un entero binario sin signo.
           Por x1, x2 es un número entero entre 0 y 7, respectivamente, por lo tanto representado por tres enteros binarios sin signo,
       está conectado un número binario sin signo de 6 bits compuesto juntos para formar un genotipo, mostrando un ser
       solución factible.
           Por ejemplo, el fenotipo correspondiente al genotipo X = 101110 es: x = [5, 6].
           El fenotipo x y el genotipo X individuales se pueden convertir mutuamente mediante procedimientos de codificación y decodificación.

(2) La generación de la población inicial. El
          algoritmo genético es una operación evolutiva de la población, y es necesario preparar algunos
      datos de la población inicial que representan el punto de búsqueda inicial .
         En este ejemplo, el tamaño de la población es 4, es decir, la población está compuesta por 4 individuos y cada individuo puede
     generarse mediante un método aleatorio .
          Tales como: 011101, 101011, 011100, 111001
         
 (3) Cálculo del jugo de aptitud En el
          algoritmo genético, la aptitud del individuo se usa para evaluar los pros y los contras de cada individuo, determinando así
       el tamaño de sus oportunidades genéticas .
          En este ejemplo, la función objetivo siempre toma un valor no negativo, y el valor máximo de la función es el objetivo de optimización, por lo que el
       valor de la función objetivo puede usarse directamente como la aptitud del individuo.

 (4) Operación de selección La operación de
          selección (u operación de copia) hereda los individuos con mayor aptitud en la población actual a la población de la próxima generación de acuerdo con una cierta regla o modelo. Por lo general, se requiere que las personas con mayor aptitud física tengan más posibilidades de pasar a la siguiente generación
      .                   
En este ejemplo, usamos una probabilidad proporcional a la aptitud para determinar el número de individuos copiados en la población de la próxima generación
     . El proceso de operación específico es:
         • Primero, calcule la aptitud total de todos los individuos en el grupo fi (i = 1.2,…, M);
         • En segundo lugar, calcule la aptitud relativa fi / fi de cada individuo. Es
             la probabilidad de que cada individuo sea heredado en la población de la próxima generación.
         • Cada valor de probabilidad forma una región, y la suma de todos los valores de probabilidad es 1;
         • Finalmente, se genera un número aleatorio entre 0 y 1, de acuerdo con el número aleatorio. que aparece en el área de probabilidad anterior
             dentro de cada individuo para determinar el número de veces seleccionado.

(5) Operación Crossover La operación
        Crossover es el proceso principal de generación de nuevos individuos en algoritmos genéticos, intercambia
    algunos cromosomas entre dos individuos con cierta probabilidad .
       En este ejemplo, se utiliza el método de cruce de un solo punto.El proceso de operación específico es:
       • primero emparejar la población al azar,
       • establecer aleatoriamente la posición del punto de cruce,
       • finalmente, intercambiar algunos genes entre los cromosomas emparejados.

(6) operación de mutación operación de
         mutación es uno o unos pocos locus de genes de valores individuales de acuerdo con una probabilidad menor al
     cambio de línea, también es un método para operar una nueva generación de individuos.
        En este ejemplo, utilizamos el método básico de mutación de bits para realizar el cálculo de la mutación. El proceso de operación específico es:
        • Primero, determine la posición de la mutación genética de cada individuo. La siguiente tabla muestra la posición del punto de mutación generado aleatoriamente
          y el número indica la mutación. El punto se establece en el locus
        • Luego, el valor original del gen del punto de mutación se invierte de acuerdo con una cierta probabilidad.

Se puede obtener una nueva generación de población p (t + 1) después de realizar una ronda de operaciones de selección, cruce y mutación en la población P (t).

Como se puede ver en la tabla, luego evolucionó población tras generación, la aptitud del máximo, promedio, tuvo
    mejoras significativas. De hecho, aquí se ha encontrado el mejor individuo "111111".       
[Nota]      
        Cabe señalar que los datos de algunas columnas de la tabla se generan aleatoriamente. Con el fin de ilustrar mejor el problema,
   hemos seleccionado deliberadamente algunos valores mejores para obtener mejores resultados En el proceso de cálculo real,
   puede tomar una cierta cantidad de ciclos para lograr este resultado óptimo.