遗传算法

寻找高度非线性问题的全局极小值

遗传算法(GA)是一种基于模拟生物进化的自然选择过程来解决有约束和无约束优化问题的方法。该算法反复修改单个解的总体。在每一步中，遗传算法从当前群体中随机选择个体，并使用他们作为父母为下一代生育子女。在连续的几代中，种群向最优解“进化”。

您可以应用遗传算法来解决不太适合标准优化算法的问题，包括目标函数不连续、不可微、随机或高度非线性的问题。

遗传算法与经典的基于导数的优化算法的区别主要体现在两个方面，如下表所示。

经典的算法 遗传算法
在每次迭代中生成一个点。点序列趋近于最优解。 在每次迭代中生成一个点的集合。总体中的最佳点接近最优解。
通过确定性计算选择序列中的下一个点。 通过使用随机数生成器的计算选择下一个种群。

有关应用遗传算法的更多信息，请参见全局优化工具箱．

参见:全局优化工具箱，优化工具箱，模拟退火，线性规划，二次规划，整数规划，非线性规划，多目标优化，遗传算法的视频，强化学习，代理优化

Baidu
map