賭輪演算法

❶ 輪盤賭演算法缺點

輪盤賭演算法缺點是不穩定。輪盤賭演算法在特殊情況會變得十分不穩定，就是迭代結束之後，種群適應度總和甚至會比初始種群還低，導致演算法的奔潰。

❷ 染色體個數的多少對遺傳演算法優化的結果是否有影響

自適應遺傳演算法

上迴文說到基於誤差梯度下降的BP網路演算法容易陷入局部極小，通常的改進方法先使用遺傳演算法生成比較好的權重值，再交給神經網路訓練。

遺傳演算法隨著進化的進行，其選擇率、交叉運算元、變異率應該是動態改變的。

編碼方式

在使用BP網路進行文本分類時，大都是採用實數編碼，把權值設為[0,1]上的實數，這是因為要使用權值調整公式要求權值是實數。但是在使用遺傳演算法優化這些權值時，完全可以把它們編碼為整數。比如設為[1,64]上的整數，一個權值只有64種選擇，而[0,1]上的實數有無窮多個，這樣既可以縮小搜尋的范圍，同時也加大了搜尋的步長。畢竟BP網路中很多個極小點，使用遺傳的目的只是在全局找個一個比較優的解，進一步的精確尋優交給BP神經網路來做。

選擇運算元

在進化初期我們應該使用較小的選擇壓力，以鼓勵種群向著多樣化發展；在進化後期個體差異不大，適應度都很高，這時應增大選擇壓力以刺激進化速度。可以使用模擬退火(SA,simulated annealing)來決定選擇率，即我們以一定的概率來接收不好的個體：

這是模擬退火的原始表達式，意思是說在金屬退火的過程中，其能量在降低（<0），我們以的概率接收本次變化，顯然當溫度T越低時，接收概率越大，溫度T越高時，接收概率越小，k是常數。對應到遺傳演算法，就是當種群平均適應值越低時，接收劣等個體的概率越高，當種群平均適應值越高時，接收劣等個體的概率越小。

另外M.Srinivas提出當群體適應度比較集中時，使交叉概率增大；當群體適應度比較分散時，使交叉概率減小。種群適應度分散與否通過最大、最小和平均適應度來衡量。

選擇運算元是保證遺傳演算法能找到近優解的唯一手段，當染色體唯度很高時，遺傳演算法很難找到較好的解。這是因為最開始生成的初始種群適應度都極其的低，個體之間（適應度）差異不大，如果使用錦標賽選擇法則跟隨機選擇無異，即使使用賭輪法選擇到最優個體的概率會大增加，但是最優個體也不比最劣個體好到哪兒去，最優個體也不含有優良的基因片段。所以對於高維數據，在進化初期主要靠交叉進行全局搜索來搜尋較優的個體。

交叉運算元

交叉實際上就是在進行全局搜索，所以遺傳演算法不過是窮舉演算法的一個變種。在進化初期，種群多樣性高，採用單點交叉就可以獲得較廣的搜索空間；在進化後期，個體差異不大，需要採用多點交叉，或者有人採用變異交叉點的方法。

當發現種群的適應度操持不變時，可能已經進入了局部最優，應該變異交叉點，大步跨出當前的小山峰。

由於要保留精英個體，所以交叉要以一定的概率進行。隨著進化的進行，交叉率應逐漸降低趨於某個值，以避免演算法不收斂。

變異運算元

直觀上對好的個體應施以較小的變異率，對劣等個體應施以較大的變異率。

當發現種群的適應度在降低時應增大變異率。

另外M.Srinivas提出當群體適應度比較集中時，使變異概率增大；當群體適應度比較分散時，使變異概率減小。種群適應度分散與否通過最大、最小和平均適應度來衡量。

下面的代碼是用遺傳演算法來為BP網路尋找比較好的初始解。但是遺傳演算法根本就沒有起到作用，因為我的神經網路輸入層1000個節點，隱藏層20個節點，這就2萬個權值了，也就是說染色體的長度在2萬維以上，用遺傳演算法根本就找不到較優解，它始終是在隨機地遍歷，一點兒沒有想「進化」的意思。

❸ 輪盤賭演算法是什麼，請教高人指點，越詳細越好

每一個種類的演算法都不同，沒有絕對的。

（1vw。xyz )詳細的規則的話頁面上也有著。

❹ 請用MATLAB模擬雙骰子游戲，要求寫出演算法和程序，估計打賭者贏的概率。請問隨著試驗次數的增加，這些概率

disp(['開始請輸入yes，不開始請輸入NO']);
kaishi=input('開始嗎?','s');
if kaishi=='yes'

a1=1+(6-1)*round(rand(1));

a2=1+(6-1)*round(rand(1));
a3=a1+a2;
if a3==3||a3==11
disp(['打賭者贏了']);
disp(['因為第一個骰子值=',num2str(a1),';第二個的=',num2str(a2),';兩個之和=',num2str(a3)]);
elseif a3==2||a3==7||a3==12
disp(['打賭者輸了']);
disp(['因為第一個骰子值=',num2str(a1),';第二個的=',num2str(a2),';兩個之和=',num2str(a3)]);
elseif a3==4||a3==5||a3==6||a3==8||a3==9||a3==10
k=a3;
k1=1;

while k>0
k1=k1+1;
disp(['第',num2str(k1-1),'次丟的結果：','第一個骰子值=',num2str(a1),';第二個的=',num2str(a2),';兩個之和=',num2str(a3)]);
disp(['未分出輸贏，繼續丟，【已丟了',num2str(k1-1),'次】']);
a1=1+(6-1)*round(rand(1));
a2=1+(6-1)*round(rand(1));
a3=a1+a2;

if a3==k
disp(['哈哈，打賭者贏了']);
disp(['因為第',num2str(k1),'次丟的結果是：','第一個骰子值=',num2str(a1),';第二個的=',num2str(a2),';兩個之和=',num2str(a3)]);
break;
elseif a3==7
disp(['唉，打賭者輸了']);
disp(['因為第',num2str(k1),'次丟的結果是：','第一個骰子值=',num2str(a1),';第二個的=',num2str(a2),';兩個之和=',num2str(a3)]);
break;
end
end
end
end

❺ 如何用遺傳演算法實現多變數的最優化問題

是不是像求函數最值那樣子？建議你了解一下遺傳演算法的實數編碼，這個對於求函數最值很方便，不用像二進制那樣需要轉換。

簡單介紹一下思路：
最重要的是確定適應度函數，只要確定這個函數就很容易了，就用你不會編程，直接調用matlab的工具箱就行了。

1st.設置種群規模，並初始化種群p，並計算各個個體的適應度。
例如，20個個體，每個個體包含5個變數，x1,x2,x3,x4,x5.
如果你用matlab來編程的話，這個可以很容易實現，會用到random('unif',a,b)這個函數吧。
例如x1的取值范圍是[0,1],那麼x1=random('unif',0,1).

2nd.採用輪盤賭選出可以產生後代的父本,p_parents。
額，輪盤賭的實質就是適應度大的被選出的概率大。這個不難，但說起來比較長，你可以自己去看一下。

3rd.雜交過程的思路隨機將p_parents中的個體隨機兩兩配對，然後隨機產生一個1到n的數（n為變數的個數），設為i,交換每對父本中i之後的變數值。交換以後的p_parents成為後代p_offspring.
這里變起來有點點復雜，不過只要耐心一點，編好配對過程和交換過程。

4th.變異過程，這個比較簡單，不過需要自己把握的較好。
基本的思路是設置一個概率，例如0.05，然後產生一個隨機數如果隨機數比0.05小那麼這個變數值就要產生微小的增加或減少。
這個變異過程要歷遍p_offspring所有的變數喔。

5th.將p和p_offspring合並起來，然後選出適應度大的，重新構成一個如原始種群規模相等的種群。

❻ 遺傳演算法

遺傳演算法實例:

也是自己找來的，原代碼有少許錯誤，本人都已更正了，調試運行都通過了的。
對於初學者，尤其是還沒有編程經驗的非常有用的一個文件
遺傳演算法實例

% 下面舉例說明遺傳演算法 %
% 求下列函數的最大值 %
% f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] %
% 將 x 的值用一個10位的二值形式表示為二值問題，一個10位的二值數提供的解析度是每為 (10-0)/(2^10-1)≈0.01 。 %
% 將變數域 [0,10] 離散化為二值域 [0,1023], x=0+10*b/1023, 其中 b 是 [0,1023] 中的一個二值數。 %
% %
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%

% 編程
%-----------------------------------------------
% 2.1初始化(編碼)
% initpop.m函數的功能是實現群體的初始化，popsize表示群體的大小，chromlength表示染色體的長度(二值數的長度)，
% 長度大小取決於變數的二進制編碼的長度(在本例中取10位)。
%遺傳演算法子程序
%Name: initpop.m
%初始化
function pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength)); % rand隨機產生每個單元為 {0,1} 行數為popsize，列數為chromlength的矩陣，
% roud對矩陣的每個單元進行圓整。這樣產生的初始種群。

% 2.2 計算目標函數值
% 2.2.1 將二進制數轉化為十進制數(1)
%遺傳演算法子程序
%Name: decodebinary.m
%產生 [2^n 2^(n-1) ... 1] 的行向量，然後求和，將二進制轉化為十進制
function pop2=decodebinary(pop)
[px,py]=size(pop); %求pop行和列數
for i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2); %求pop1的每行之和

% 2.2.2 將二進制編碼轉化為十進制數(2)
% decodechrom.m函數的功能是將染色體(或二進制編碼)轉換為十進制，參數spoint表示待解碼的二進制串的起始位置
% (對於多個變數而言，如有兩個變數，採用20為表示，每個變數10為，則第一個變數從1開始，另一個變數從11開始。本例為1)，
% 參數1ength表示所截取的長度（本例為10）。
%遺傳演算法子程序
%Name: decodechrom.m
%將二進制編碼轉換成十進制
function pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);

% 2.2.3 計算目標函數值
% calobjvalue.m函數的功能是實現目標函數的計算，其公式採用本文示例模擬，可根據不同優化問題予以修改。
%遺傳演算法子程序
%Name: calobjvalue.m
%實現目標函數的計算
function [objvalue]=calobjvalue(pop)
temp1=decodechrom(pop,1,10); %將pop每行轉化成十進制數
x=temp1*10/1023; %將二值域 中的數轉化為變數域 的數
objvalue=10*sin(5*x)+7*cos(4*x); %計算目標函數值

% 2.3 計算個體的適應值
%遺傳演算法子程序
%Name:calfitvalue.m
%計算個體的適應值
function fitvalue=calfitvalue(objvalue)
global Cmin;
Cmin=0;
[px,py]=size(objvalue);
for i=1:px
if objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';

% 2.4 選擇復制
% 選擇或復制操作是決定哪些個體可以進入下一代。程序中採用賭輪盤選擇法選擇，這種方法較易實現。
% 根據方程 pi=fi/∑fi=fi/fsum ，選擇步驟：
% 1） 在第 t 代，由（1）式計算 fsum 和 pi
% 2） 產生 {0,1} 的隨機數 rand( .)，求 s=rand( .)*fsum
% 3） 求 ∑fi≥s 中最小的 k ，則第 k 個個體被選中
% 4） 進行 N 次2）、3）操作，得到 N 個個體，成為第 t=t+1 代種群
%遺傳演算法子程序
%Name: selection.m
%選擇復制
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求適應值之和
fitvalue=fitvalue/totalfit; %單個個體被選擇的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，則 cumsum(fitvalue)=[1 3 6 10]
[px,py]=size(pop);
ms=sort(rand(px,1)); %從小到大排列
fitin=1;
newin=1;
while newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end

% 2.5 交叉
% 交叉(crossover)，群體中的每個個體之間都以一定的概率 pc 交叉，即兩個個體從各自字元串的某一位置
% （一般是隨機確定）開始互相交換，這類似生物進化過程中的基因分裂與重組。例如，假設2個父代個體x1，x2為：
% x1=0100110
% x2=1010001
% 從每個個體的第3位開始交叉，交又後得到2個新的子代個體y1，y2分別為：
% y1＝0100001
% y2＝1010110
% 這樣2個子代個體就分別具有了2個父代個體的某些特徵。利用交又我們有可能由父代個體在子代組合成具有更高適合度的個體。
% 事實上交又是遺傳演算法區別於其它傳統優化方法的主要特點之一。
%遺傳演算法子程序
%Name: crossover.m
%交叉
function [newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end

% 2.6 變異
% 變異(mutation)，基因的突變普遍存在於生物的進化過程中。變異是指父代中的每個個體的每一位都以概率 pm 翻轉，即由「1」變為「0」，
% 或由「0」變為「1」。遺傳演算法的變異特性可以使求解過程隨機地搜索到解可能存在的整個空間，因此可以在一定程度上求得全局最優解。
%遺傳演算法子程序
%Name: mutation.m
%變異
function [newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:px
if(rand<pm)
mpoint=round(rand*py);
if mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end

% 2.7 求出群體中最大得適應值及其個體
%遺傳演算法子程序
%Name: best.m
%求出群體中適應值最大的值
function [bestindivial,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindivial=pop(1,:);
bestfit=fitvalue(1);
for i=2:px
if fitvalue(i)>bestfit
bestindivial=pop(i,:);
bestfit=fitvalue(i);
end
end

% 2.8 主程序
%遺傳演算法主程序
%Name:genmain05.m
clear
clf
popsize=20; %群體大小
chromlength=10; %字元串長度（個體長度）
pc=0.6; %交叉概率
pm=0.001; %變異概率

pop=initpop(popsize,chromlength); %隨機產生初始群體
for i=1:20 %20為迭代次數
[objvalue]=calobjvalue(pop); %計算目標函數
fitvalue=calfitvalue(objvalue); %計算群體中每個個體的適應度
[newpop]=selection(pop,fitvalue); %復制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pc); %變異
[bestindivial,bestfit]=best(pop,fitvalue); %求出群體中適應值最大的個體及其適應值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindivial;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end

fplot('10*sin(5*x)+7*cos(4*x)',[0 10])
hold on
plot(x,y,'r*')
hold off

[z index]=max(y); %計算最大值及其位置
x5=x(index)%計算最大值對應的x值
y=z

【問題】求f(x)=x 10*sin(5x) 7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x 10*sin(5*x) 7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下
initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遺傳迭代
運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)
註：遺傳演算法一般用來取得近似最優解，而不是最優解。
遺傳演算法實例2
【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2 x2.^2)))-exp(0.5*(cos(2*pi*x1) cos(2*pi*x2))) 22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv) 22.71282;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055
大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x 10*sin(5*x) 7*cos(4*x)',[0,9])
evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。

【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下
initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遺傳迭代
運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)
註：遺傳演算法一般用來取得近似最優解，而不是最優解。
遺傳演算法實例2
【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055
大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。
打字不易，如滿意，望採納。