国产91一区,日日欢夜夜爽一区,日韩美女av在线免费观看

遗传��法介绍(�?

Coundy — Tue, 10 Apr 2007 05:57:00 GMT

(转自)http://www.cnblogs.com/waterflier/archive/2006/12/04/153545.html

��C��生物遗传学中描述的生物进化理�?
遗传物质的主要蝲体是染色�?chromsome),染色体主要由DNA和蛋白质�l�成。其中DNA为最主要的遗传物质�?
基因(gene)是有遗传效应的片�?它存储着遗传信息,可以准确地复�?也能发生�H�变,�q�可通过控制蛋白质的合成而控制生物的状�?生物自��n通过对基因的复制(reproduction)和交�?crossover,卛_��因分��?基因�l�合和基因连锁互�?的操作时其性状的遗传得到选择和控制。生物的遗传�Ҏ�?使生物界的物�U�能保持相对的稳�?生物的变异特�?使生物个体��生新的性状,以至于�Ş成了新的物种(量变�U�篏��?,推动了生物的�q�化和发展�?

遗传学算法和遗传学中的基��术语比较

染色�?chromosome)	数据,数组,序列
基因(gene)	单个元素,�?/td>
�{�位基因(allele)	数据�?属�?�?/td>
基因�?locus)	位置,iterator位置
表现�?phenotype)	参数�?解码�l�构,候选解
遗传隐匿(epistasis)	非线�?/td>

染色体又可以叫做基因型个�?individuals),一定数量的个体�l�成了群�?population),��体中个体的数量叫做��体大小。各个个体对环境的适应�E�度叫做适应�?fitness)

遗传��法的准备工�?
1)数据转换操作,包括表现型到基因型的转换和基因型到表现型的�{换。前者是把求解空间中的参数�{化成遗传�I�间中的染色体或者个�?encoding),后者是它的逆操�?decoding)
2)��定适应度计��函�?可以��个体值经�q�该函数转换��个体的适应�?该适应度的高低要能充分反映该个体对于解得优�U��E�度。非帔R��要的�q�程�Q?

遗传��法的基本步�?/strong>
遗传��法是具�?生成+��?(generate-and-test)的�P代过�E�的搜烦��法�?
基本�q�程�?
1)�~�码,创徏初始集团
2)集团中个体适应度计��?
3)评估适应�?
4)�Ҏ��适应度选择个体
5)被选择个体�q�行交叉�J�殖,
6)在繁�D�的�q�程中引入变异机�?
7)�J�殖出新的集�?回到�W�二�?

一个简单的遗传��法的例�?�?[0,31]范围内的y=(x-10)^2的最��?/strong>
1)�~�码��法选择�?��x转化�?�q�制的串",串的长度�?位�?�{�位基因的��gؓ0 or 1)
2)计算适应度的�Ҏ��?先将个体串进行解�?转化为int型的x�?然后使用y=(x-10)^2作�ؓ光��应度计��合�?�׃��是最��?所以结果越��?适应度也��好)
3)正式开�?先设�|�群体大��ؓ4,然后初始化群�?=> (在[0,31]范围内随机选取4个整数就可以,�~�码)
4)计算适应度Fi(�׃��是最��?可以选取一个大的基准线1000,Fi = 1000 - (x-10)^2)
5)计算每个个体的选择概率.选择概率要能够反映个体的优秀�E�度.�q�里用一个很��单的�Ҏ��来确定选择概率
P=Fi / TOTAL(Fi).
6)选择.
�Ҏ��所有个体的选择概率�q�行淘汰选择.�q�里使用的是一个赌轮的方式�q�行淘汰选择.先按照每个个体的选择概率创徏一个赌�?然后选取4��?每次先��生一�?-1的随机小�?然后判断该随机数落在那个�D�内��选取相对应的个体.�q�个�q�程�?选取概率P高的个体��可能被多次选择,而概率低的就可能被淘�?

下面是一个简单的赌轮的例�?
   13%               35%                    15%                 37%
----------|----------------------------|------------|-*-------------------------|
   个体1              个体2                  个体3    ^0.67    个体4
随机��Cؓ0.67落在了个�?的端�?本次选择了个�?.

被选中的个体将�q�入配对�?mating pool,配对集团)准备开始繁�D?
7)��单交�?
先对配对库中的个体进行随机配�?然后在配对的2个个体中讄��交叉�?交换2个个体的信息后��生下一�?
比如( | 代表��单串的交叉位�|?
( 0110|1, 1100|0 ) --交叉--> (01100,11001)
( 01|000, 11|011 ) --交叉--> (01011,11000)
2个父代的个体在交叉后�J�殖��Z��下一代的同样数量的个�?
复杂的交叉在交叉的位�|?交叉的方�?双亲的数量上都可以选择.其目的都在于��可能的培育出更优秀的后
�?
8)变异
变异操作时按照基因��来的.比如说没计算2万个基因座就发生一个变�?我们现在的每个个体有5个基因��.也就是说要进�?000代后才会在其中的某个基因座发生一�ơ变�?)变异的结果是基因座上的等位基因发生了变化.我们�q�里的例子就是把0变成1或则1变成0.
��x��,我们已经产生了一个新�?下一�?集团.然后回到�W?�?周而复�?生生不息下去:)

伪代码实�?适合��q��代码的朋友~):

//Init population
foreach individual in population
{
     individual = Encode(Random(0,31));
}

while (App.IsRun)
{
     //计算个体适应�?
     int TotalF = 0;
     foreach individual in population
     {
      individual.F = 1000 - (Decode(individual)-10)^2;
      TotalF += individual.F;
     }

     //------选择�q�程,计算个体选择概率-----------
     foreach individual in population
     {
          individual.P = individual.F / TotalF;
     }
     //选择
     for(int i=0;i<4;i++)
     {
          //SelectIndividual(float p)是根据随机数落在�D�落计算选取哪个个体的函�?
          MatingPool[i] = population[SelectIndividual(Random(0,1))];
     }
     //-------��单交�?--------------------------
     //�׃��只有4个个�?配对2��?
     for(int i=0;i<2;i++)
     {
          MatingPool.Parents[i].Mother = MatingPool.RandomPop();
          MatingPool.Parents[i].Father = MatingPool.RandomPop();
        }

     //交叉后创建新的集�?
     population.Clean();
     foreach Parent in MatingPool.Parents
     {
          //注意在copy 双亲的染色体时在某个基因座上发生的变异未表现.
          child1 = Parent.Mother.DivHeader + Parent.Father.DivEnd;
          child2 = Parent.Father.DivHeader + Parent.Mother.DivEnd;
          population.push(child1);
          population.push(child2);
     }
}
��结:
遗传��法中最重要的过�E�就是选择和交叉�?
选择要能够合理的反映"适者生�?的自然法则，而交叉必��d��由利的基因尽量遗传给下一�?�q�个��法很关键！)
�q�有��是�~�码的过�E�要能够使编码后的染色体能充分反映个体的特征�q�且能够方便计算�?

Coundy 2007-04-10 13:57 发表评论

Coundy — Sat, 07 Apr 2007 15:51:00 GMT
　作�?bitsCN整理 来源:ChinaITLab

我的前两��关于��?Perl 实现遗传��法�Q�GA�Q�的文章�Q�参�?参考资料）讲述的是个体�l�胞的变异与生命周期�Q�它的适合度（fitness�Q�完全依赖于它们自己�?DNA。本文将介绍如何仿真一个多�l�胞��Z��。具体的应用�E�序��会生成由其复杂性和正确性决定的字谜�Q�letter puzzles�Q�。要获得 GA 的背景知识，您应该去参考先前的两篇文章�?br>　　
　　个体�l�胞是字谜中的字母块�Q�letter tiles�Q�。它们的适合度将取决于它们与所有其他细胞的�l�合�Q�所以，在应用于上下文之前，�l�胞 DNA 本��n没有意义。而且�Q?DNA 必须较长�Q�但�q�不复杂。它只是要告诉我们�Q意一个特定细胞可能会�q�接到哪些字母，当然�Q�它也会告诉我们�q�个特定�l�胞的字母（也可能是一个空块）�?br>　　
　　那么�Q�让我们来开始设�?
　　
　　仿真设计
　　有两斚w��基本设计。首先是个体�l�胞的设计，其次是细胞间交互的设计。我��从个体�l�胞开始讲赗��?br>　　
　　本质上，每个�l�胞都是�U�|��拼字谜（crossword puzzle�Q�中的一个字母。那��是 DNA 的一个片�D�c��而且�Q?DNA ��决定一个细胞与其他字母的适合�E�度。这��P��对英文纵横字谜来��_��“an”�?#8220;he”��是合适的�l�合�Q��?#8220;xz”��不是。这�q�不是说“xz”不可能出玎ͼ�而只是说使用它生成的�U�|��字谜没有多高的�h倹{��我��用一个词典，�q�个词典默认位于 GNU/Linux �pȝ��?/usr/share/dict/words 中（臛_��在我�?Debian �pȝ��中是�q�样 —�?否则�Q�可以��?whereis �?locate 命��o来找到它�Q��ƈ相应��C��?$words_file�Q��?br>　　
　　�l�胞之间的交互将发生在一�?N �?N 的字谜中�Q�其�?N 在命令行中给定，默认�?10。在��M��时刻都会�?N^2 个细胞被选中�Q�留�?N*2 个细胞（所以，在一�?10x10 字谜的��@环周期中�Q��d��?120 个细胞）。这些数字是��L��的，不太重要�Q�只不过�Q�一个大�?#8220;无限�?#8221;的池��ɾl�胞选择的值的适合度降低，而一个小的池��限制元素的��Z��?br>　　
　　您应该记住，�q�里的目标不是生�?#8220;正确”的解��x��?—�?没有�q�样的解��x��案。目标是仿真�l�胞之间的交互，特别要注意��^衡字母细胞所需要的�I�块�l�胞�?br>　　
　　从初始细胞池中对�l�胞的选择由字母关联性来完成。如果在字谜板（puzzle board�Q�上没有其他�l�胞�Q�那么�Q何细胞都是可以的。不�q�，如果�E�序正在��Z��个与“A”�?#8220;Q”盔R��的块来选择�l�胞�Q�那�?#8220;A”�?#8220;Q”的细胞关联性就有关�p�M��。因此，�l�胞兌��性是 DNA 的一个基本部分，和细胞的字母一样受到变异的影响。细胞关联性的范围�?0 �?255�Q�所以可以方便地�?DNA 的一个字节来描述它�?br>　　
　　最后，我将�~�存�l�胞所构成的词。我不会采用�q�种��单的�Ҏ��Q�选出每个块�ƈ指出它构成哪些词。您想知道�ؓ什么吗�Q�因为我试过那种�Ҏ��Q��ؓ了得到正��的�Ҏ��Q�浪费了好多个小时的旉��Q�而且它�ƈ不快!
　　
　　我的�Ҏ��是，从左到右�Q�从上到下对谜板�q�行扫描�Q�两遍，�q�是��Z��得到垂直方向和水�q�x��向的词）。当扑ֈ�一个词后，我会��C��构成那个词的�l�胞�Q�然后将那个词添加到所有那些细胞的词缓存中。词�~�存是一个数�l�，不是散列表，反映��Z��实上同一个词可以出现在水�q�x��向上�Q�也可以出现在垂直方向上�Q�但�l�胞只能归于一个这��L��词。对于微不��道的�l�胞来说�Q�那��是极其不公�q�的�?br>　　
　　对于谜板而言�Q�它是一个简单的散列表。我��试�q��用嵌套数�l�来仿真一个矩阵，不过没有必要那么�ȝ��。我只需要��用一个具�?x y 键的��单散列表��可以完成仿真。唯一所需要的映射�?xy2index() 函数�Q�我�~�写了一个名�?index2xy() 的反向映��函敎ͼ�但是没必要��用它�?br>　　
　　与先前文章的不同之处
　　本文中的�E�序是我先前撰写的两��遗传算法文章中 GA 仿真�E�序的改�q�版本。基于读�?Matt Neuberg 的徏议，以及我本人的�l�验�Q�我做了一些修攏V�?br>　　
　　select_parents() 是不严格的，因�ؓ它将不适合的亲本（parents�Q�留在种��（population�Q�中�Q�即使它们的适合度�ؓ 0�Q�不可能被选择。�ؓ了纠正那一点，我添加了一个额外的 grep() 调用�?br>　　
　　recombine() 函数
　　我应该提醒您�Q�基于亲本的适合度，亲本�U�群包含有对亲本的多个引用。亲本越适合�Q�在亲本�U�群中出现的�ơ数��׃��多，因而就会有更多��Z��J�殖下去�?br>　　
　　recombine() 使用 List::Util shuffle() 函数来随机组合亲本种��。这样做的效果好于选择随机亲本�q�保持对哪些已经是亲本的�q�踪。另外，以前�W�二个亲本是随机选择出来的，而且我认��h��Ҏ��化的相当准确的描�q�ͼ�但是我改变了那种�Ҏ��Q�通过��它们从亲本�U�群中选择出来然后再插入回�ȝ��方式�Q�基于它们的适合度来选择�W�二个亲本�?br>　　
　　清单 1. recombine() 函数
　　
　　sub recombine
　　{
　　my $population = shift @_;
　　my $pop_size = scalar @$population; # population size
　　my @parent_population;
　　my @new_population;
　　
　　my $total_parent_slots = 0;
　　
　　$total_parent_slots += $_->{parent}
　　foreach @$population;
　　
　　my $position = 0;
　　
　　foreach my $individual (@$population)
　　{
　　foreach my $parenting_opportunity (1 .. $individual->{parent})
　　{
　　push @parent_population, $individual;
　　}
　　$individual->{parent} = 0;
　　}
　　
　　@parent_population = shuffle @parent_population;
　　
　　while (1)
　　{
　　# this could result in a parent breeding with itself, which is not a big deal
　　my $parent = shift @parent_population;
　　my $parent2 = shift @parent_population;
　　my $out_of_parents = 0;
　　
　　# when we're out of parents...
　　unless (defined $parent2)
　　{
　　$parent2 = $parent;
　　$out_of_parents = 1;
　　}
　　
　　my $child = { survived => 1, parent => 0, fitness => 0, dna => 0 };
　　
　　# this is breeding!
　　my $dna1 = $parent->{dna};
　　my $dna2 = $parent2->{dna};
　　
　　# note we do operations on BYTES, not BITS.　This is because bytes
　　# are the unit of information (and preserving them is the faster
　　# breeding method)
　　foreach my $byte (1 .. $dna_byte_length)
　　{
　　# get one byte from either parent (the parent choice is random) and add it to the child
　　vec($child->{dna}, $byte-1, 8) = vec(((rand() < 0.5) ? $dna1 : $dna2), $byte-1, 8);
　　}
　　
　　push @new_population, $child; # the child is now a part of the new generation
　　push @parent_population, $parent2; # use the second parent again, but at the tail end
　　last if $out_of_parents;
　　}
　　
　　return \@new_population;
　　}
　　
　　注意�Q�如果最后一个亲本恰好是自亲本种��中获得的，应该如何去设�|?$out_of_parents�Q�那是蟩��Z��本选择循环的唯一途径�?br>　　
　　构徏字谜
　　字谜�|�格��q��应的名�ؓ build_puzzle() 的函数来构徏。种��中的每一个个体细胞都在内部存储了一个网��g��|�，所以，当我惌��扑ֈ�某个�l�胞的网��g��|�时�Q�不必搜索网格或者维持一个外部散列表。每一个个体还拥有一�?#8220;单词”数组引用�Q�在�q�个数组中保持有在衍生过�E�中那个个体生成的单词�?br>　　
　　另外�Q�我为每个细胞赋予了一�?ID 属性，不过只是使用它来��查算法的正确性�?br>　　
　　�?build_puzzle() 中，所有的个体都安�|�于 @puzzle_population。我做了一�?@puzzle_population 的拷贝，�q�样我可以从它里面去删除个体�Q�以使得对个体的改变不会是永久的 —�?它是一个浅拯��Q�shallow copy�Q�。选择块的��序是随机的�Q�再�ơ��用了 List::Util::shuffle()。注意，所有的位置都存储在一�?[x,y] 数组中。那��P��数据可以像单一的参��C��样传递，而不是多个参数�?br>　　
　　清单 2. build_puzzle() 函数
　　
　　sub build_puzzle
　　{
　　my $population = shift @_;
　　
　　my @puzzle_population = @$population; # make a local copy we can alter
　　
　　my $i = 0;
　　foreach (@puzzle_population)
　　{
　　$_->{id} = $i++;
　　$_->{position} = undef;
　　$_->{words} = [];
　　}
　　
　　my $puzzle = {};
　　
　　my @positions;
　　
　　foreach my $row (0 .. $size-1)
　　{
　　foreach my $column (0 .. $size-1)
　　{
　　push @positions, [$row, $column];
　　}
　　}
　　
　　foreach my $p (shuffle @positions)
　　{
　　my $row　　= $p->[0];
　　my $column = $p->[1];
　　
　　my $cell =　choose_tile(\@puzzle_population, $puzzle, $p);
　　$cell->{position} = $p;
　　$puzzle->{xy2index($p)} = $cell;
　　}
　　
　　return $puzzle;
　　}
　　
　　注意�Q�上面的 recombine() �?build_puzzle()中，以及�E�序所有其他位�|�，都没有类��g�� $i 的计数器。由�?Perl 没有内存分配问题�Q�所以对我来说缺��L��最主要来源��是�q�踪计数器变量的错误�Q�错误的初始化，错误的增量，或者错误的边界�Q�。这�q�不是说我在�~�写 Perl �E�序的时候出��C��很多�~�陷�Q�只是我发现计数器变量会增加使用时出现缺��L��可能性�?br>　　
　　现在��d��的是 choose_tile()。字谜中的每一个网��g��|�都会调用它来选择一个将成�ؓ字谜块的�l�胞。在为网�?

Coundy 2007-04-07 23:51 发表评论

国产91一区,日日欢夜夜爽一区,日韩美女av在线免费观看

遗传���法介绍(�?

遗传��法介绍(�?