遗传算法术语

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

$F （ X_{1} ， X_{2} ， X_{3} ） = {（ 2 X_{1} + 1 ）}^{2} + {（ 3 X_{2} + 4 ）}^{2} + {（ X_{3} - 2 ）}^{2} ，$

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。

相关话题