遗传算法的概念最早是由Bagley J.D 于1967年提出的。后来Michigan大学的J.H.Holland教授于1975年开始对遗传算法（Genetic Algorithm, GA）的机理进行系统化的研究。遗传算法是对达尔文生物进化理论的简单模拟，其遵循“适者生存”、“优胜略汰”的原理。遗传算法模拟一个人工种群的进化过程，并且通过选择、杂交以及变异等机制，种群经过若干代以后，总是达到最优（或近最优）的状态。
自从遗传算法被提出以来，其得到了广泛的应用，特别是在函数优化、生产调度、模式识别、神经网络、自适应控制等领域，遗传算法更是发挥了重大的作用，大大提高了问题求解的效率。遗传算法也是当前“软计算”领域的重要研究课题。
本文首先结合MATLAB对遗传算法实现过程进行详细的分析，然后通过1个实际的函数优化案例对其应用进行探讨。
1. 遗传算法实现过程
现实生活中很多问题都可以转换为函数优化问题，所以本文将以函数优化问题作为背景，对GA的实现过程进行探讨。大部分函数优化问题都可以写成求最大值或者最小值的形式，为了不是一般性，我们可以将所有求最优值的情况都转换成求最大值的形式，
2024-03-05 21:35:40
679KB
1
PSO SVM粒子算法优化的支持向量机,pso粒子群优化算法,matlab源码
2024-02-27 16:12:12
2KB
1
matlab中利用RRT，A*，ACO算法，在三维栅格地图中，分别实现的无人机的路径规划，并利用bezier曲线进行路径平滑处理，包含三种算法的效果对比。
实现效果见 https://blog.csdn.net/qq_51985653/article/details/130354767
2024-02-26 19:52:30
251KB
1
遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。
遗传算法（英语：genetic algorithm (GA) ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。
遗传算法的一般步骤
my_fitness函数 评估每条染色体所对应个体的适应度
升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群（适应度函数的值越小越好）
从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。
抽取父母双方的染色体，进行交叉，产生 2 个子代。（交叉概率）
对子代（parent + 生成的 child）的染色体进行变异。（变异概率）
重复3,4,5步骤，直到新种群（parent_number + child_number）的产生。
循环以上步骤直至找到满意的解。
本资源包含遗传算法+matlab+原理介绍+示例源码
2024-01-16 20:57:49
12KB
1