遗传算法在数据分析中的应用.pptx

遗传算法用于数据分析

邮政数据集成分析团队

目录

遗传算法的概述

遗传算法改进

基本遗传算法

遗传算法应用

遗传算法生成

早在1950年代，一些生物学家就开始研究使用数字计算机来模拟生物学的自然遗传和自然进化。

1963年，在进行风车实验时，来自德国柏林大学的I. Rechenberg和HP Schwefel产生了进化策略的初步思想；

在1960年代，LJ Fogel在设计有限的自动机器时提出了进化计划的想法。 1966年，Fogel和等。发表了“基于模拟进化的人工智能”，该智力系统地解释了进化计划的思想。

在1960年代中期，密歇根大学的JH Holland教授提议借鉴自适应行为研究的生物自然遗传遗传的基本原理，以及自然和人工系统的弦乐编码技术；

1967年，他的学生JD Bagley在博士学位论文中首次提出了“ IC算法”一词。

1975年，荷兰出版了著名的“自然和人工系统改编”，标志着遗传算法的诞生。

遗传算法的发展

在1970年代初期，荷兰提出了“模式定理”，通常被认为是“遗传算法的基本定理”，它为研究遗传算法的研究奠定了理论基础。

1985年，遗传算法的第一次国际会议在美国举行，国际国际遗传缓解学者学者（ISGA，国际IC算法学会）。

1989年，荷兰的学生DJ Goldherg发表了“搜索，优化和机器学习中的IC算法”，该算法就遗传算法及其应用进行了全面而系统的讨论；

1991年，戴维斯（L. Davis）编辑并出版了“遗传算法手册”，其中包括大量的工程技术和社会生活中遗传算法的应用程序示例。

遗传算法原理

遗传算法（GA）是一种自适应的全局优化概率搜索方法，该方法是通过模拟自然环境中模拟生物的遗传和进化过程而形成的。它采用了一种自然进化模型，从代表问题问题的潜在解决方案的人群开始，人口由一定数量的基因编码的个体组成。每个人实际上都是具有特征性染色体的实体。产生初始人口后，根据优胜胜的生存原则和生存原则，它已经产生了一代，以产生越来越更好的解决方案：

在每一代人中，个人在问题领域中对个人的适应性。

借助遗传民谣，结合了跨跨组合和主观突变，产生代表新溶液的新物种。

此过程将执行开yunapp体育官网入口下载手机版，直到达到优化准则为止。最后开yun体育官网入口登录app，最后一个人被解码以生成近似的最佳解决方案。

基于齿轮演化机制的遗传算法就像自然的进化一样。与前任相比，邮政的繁殖种群更适合环境。通过一代世代的发展，最佳解决方案正在接近。

遗传算法基本过程的原理

遗传算法的基本过程

算法的结尾？

遗传算法的本质

遗传算法是解决搜索问题的一般算法，可用于各种一般问题。

遗传算法从持怀疑态度的问题收集开始，而不是从单个解决方案开始。

遗传算法同时处理该组的多个个体；

遗传算法基本上不需要搜索空间或其他辅助信息，而仅使用适应函数值来评估个体，并在此基础上产生遗传操作。

遗传算法不采用特定规则，而是使用概率规则来指导他的搜索方向。

进行自组织，自适应和自我学习。

遗传算法点

（1）染色体编码方法

基本的遗传算法使用具有固定长度的二进制符号来指示组中的个体。相等基因由两个值符号集{0,1}组成。

初始组中每个个体的基因值都具有均匀分布的随机数。喜欢：

X：100111001000101101

它可以表明一个人的长度为l = 18。

（2）评估个人适应

基本的遗传算法确定了根据个体适应的概率在当前组中下一代组中继承每个人的机会。

为了正确计算此概率开元ky888棋牌官方版，所有个体的适应性必须为正或零。这样，根据不同类型的问题，必须先预先确定的转换规则，从目标函数值到单个适应，尤其是当目标函数值对预先确定的负面预先确定时的处理方法。

（3）遗传学

基本遗传算法使用以下三种遗传学：

•选择操作：使用该比例选择操作员；

•跨操作：使用单个点交叉操作员；

•突变操作：使用突变操作员的基本位。

（4）基本遗传算法的工作参数

基本的遗传算法具有以下4个运行参数，需要预先设置：

•M：组的大小，即组中包含的个体数量通常为20〜100。

•T：遗传操作的进化终止通常取自100〜500

•PC：交叉概率，〜

•PM：突变概率，通常被视为〜

*这4个运行参数对遗传算法的结果和解决方案效率有一定的影响，但是没有