遗传算法术语- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

遗传算法的术语

的适应度函数就是你想优化的函数。对于标准优化算法，这被称为目标函数。工具箱软件试图找到适应度函数的最小值。

将适应度函数作为文件或匿名函数编写，并将其作为函数句柄输入参数传递给主遗传算法函数。

一个个人是你可以应用适应度函数的任意点。个体适应度函数的值就是其得分。例如，如果适应度函数为

$f （ x_{1} ， x_{2} ， x_{3.} ）＝ {（ 2 x_{1} + 1 ）}^{2} + {（ 3. x_{2} + 4 ）}^{2} + {（ x_{3.} - 2 ）}^{2} ，$

向量(2，- 3,1)是一个个体，其长度是问题中变量的数量。个人的得分(2，- 3,1)是f(2， -3, 1) = 51．

个人有时被称为基因组单个向量的分量是基因．

一个人口是一组个体。例如，如果总体的大小是100，适应度函数中的变量的数量是3，那么您可以用一个100 × 3的矩阵来表示总体。同一个体可能在群体中出现不止一次。例如，单个(2，- 3,1)可以出现在数组的多行中。

在每次迭代时，遗传算法对当前种群进行一系列计算，以产生新的种群。每一个连续的种群称为一个新的种群一代．

多样性指群体中个体之间的平均距离。如果平均距离大，则种群多样性高;否则，它的多样性就很低。下图中，左边的种群多样性较高，而右边的种群多样性较低。

多样性对遗传算法至关重要，因为它使算法能够搜索更大的空间区域。

的健身价值是这个个体的适应度函数的值。因为工具箱软件找到适应度函数的最小值最好的群体的适应度值是群体中任何个体的最小适应度值。

为了创造下一代，遗传算法选择当前种群中的特定个体，称为父母，并利用它们来创造下一代的个体孩子们．通常，算法更有可能选择具有更好适应度值的父母。