该适应度函数是要优化的功能。对于标准的优化算法,这被称为目标函数。工具箱软件试图找出最小的适应度函数。
写适应度函数为文件或匿名函数,并把它作为一个函数处理输入参数的主要遗传算法功能。
一个个人是,你可以申请适应度函数的任何一点。对于个人的适应度函数的值是其得分。例如,如果适应度函数
载体(2,-3,-1),其长度是在问题变量的数量,是一个个体。个体的评分(2,-3,1)是F(2,-3,1)= 51。
个体有时被称为基因组和单独的矢量条目基因。
一个人口是个人的阵列。例如,如果人口的大小为100和变量在适应度函数的数量是3,则表示由100×3矩阵的群体。同一个人可以出现一次以上的人口。例如,单独的(2,-3,1)可以出现在阵列的多个行。
在每次迭代中,遗传算法执行一系列当前群体上计算,以产生一个新的种群。每个连续的群体被称为新代。
多样是指在群体中的个体之间的平均距离。群体具有高度的多样性,如果平均距离是大的;否则它具有低的多样性。在下图中,左边的人口具有高度多样性,而右边的人群具有低的多样性。
多样性是遗传算法必不可少的,因为它使得该算法搜索空间的更大的区域。
该适应值一个人的是,个别的适应度函数的值。由于工具箱软件发现的最小的适应度函数中,最好针对群体适应值在群体中任何个体最小的适应值。
要创建下一代,遗传算法选择在当前人口某些个人,所谓的父母,并用它们在下一代创造个人,叫孩子。通常情况下,算法更可能选择具有更好的拟合值的父母。