遗传算法术语- MATLAB & Simulink - 卡塔尔世界杯8强比赛直播

遗传算法术语

的适应度函数是要优化的函数。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。

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

一个个人是任何可以应用适应度函数的点。个体的适应度函数值是其得分。例如，如果适应度函数是

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

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

一个人有时被称为基因组个体的向量项为基因．

一个人口是一组个体。例如，如果总体的大小为100，适应度函数中的变量数量为3，则用100 × 3矩阵表示总体。同一个体可以在种群中出现多次。例如，个体(2，-3,1)可以出现在数组的多个行中。

在每次迭代中，遗传算法对当前种群进行一系列计算，以产生一个新的种群。每个连续的种群称为新种群一代．

多样性指群体中个体之间的平均距离。当平均距离较大时，种群具有较高的多样性;否则，它的多样性很低。在下面的图中，左边的种群多样性高，而右边的种群多样性低。

多样性对于遗传算法来说是必不可少的，因为它使算法能够搜索更大的空间区域。

的健身价值是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，所以最好的群体的适合度值是群体中任何个体的最小适合度值。

为了创造下一代，遗传算法在当前种群中选择特定的个体，称为父母，并利用它们在下一代中创造个体，称为孩子们．通常情况下，算法更有可能选择具有更好适应度值的亲本。