种群算法

㈠ 遗传算法种群规模是怎么得到的

种群规模是指任意一代中的个体总数，这个是人为设定的，种群规模越大越可能找到全局解，但运行时间也相对较长，一般在40-100之间取值，像我就习惯选60.
至于你所处理的问题，可以对比不同的种群规模下最优解和运行时间，然后折衷取。
拓展资料：
遗传算法（Genetic Algorithm，GA）最早是由美国的 John holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
运算过程
遗传算法的基本运算过程如下：
（1）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。
（2）个体评价：计算群体P(t)中各个个体的适应度。
（3）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
（4）交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。[2]
（5）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
（6）终止条件判断：若t=T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
遗传操作包括以下三个基本遗传算子(genetic operator):选择(selection)；交叉(crossover)；变异(mutation)。

㈡ 遗传算法改种群有什么用

遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

㈢ 算法 种群的数量 求解参数的个数 有影响吗

种群规模是指任意一代中的个体总数，这个是人为设定的，种群规模越大越可能找到全局解，但运行时间也相对较长，一般在40-100之间取值，像我就习惯选60.
至于你所处理的问题，可以对比不同的种群规模下最优解和运行时间，然后折衷取。

㈣ 遗传算法什么时候用但种群什么时候用多种群

遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的,而一个种群则由经过基因（gene）编码的一定数目的个体(indivial)组成.每个个体实际上是染色体(chromosome)带有特征的实体.染色体作为遗传物质的主要载体,即多个基因的集合,其内部表现（即基因型）是某种基因组合,它决定了个体的形状的外部表现,如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的.因此,在一开始需要实现从表现型到基因型的映射即编码工作.由于仿照基因编码的工作很复杂,我们往往进行简化,如二进制编码,初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代（generation）演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度大小选择体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群.这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码（decoding）,可以作为问题近似最优解.

㈤ 种群密度的计算方法是——

种群密度的计算方法是M/N=m/n。
M是所抓获的种群的原始的并标记个体数，m是第二次抓获的个体数，n是抓获的个体数中的原始个体数的个数，N为种群密度。
种群在单位面积或单位体积中的个体数就是种群密度。种群密度是种群最基本的数量特征。不同的种群密度差异很大，同一种群密度在不同条件下也有差异。

㈥ 粒子群优化算法初始种群大小如何确定

粒子群大小N表示每一代粒子群中所含粒子的数目。对于不同的问题，最佳粒子群规模不同。当N取值过小时，PSO的运算速度较快，但由于种群的多样性差，容易引起过早收敛；而当N取值过大时，又会使得PSO的寻优效率降低。实际应用中应适当选取N，以保证种群的多样性和算法的搜索效率。一般粒子数取为粒子自身维数的5-10倍时可搜索足够的解空间。

㈦ 遗传算法 多种群是什么个概念 加入多种群策略有什么改进

采用PSO优化的思想进行算法的改进：把全局分为多个种群进行进化，最后取各个种群的局部极值中最大的作为全局是优值：优点是比传统的遗传算法不容易陷入局部极值

㈧ 遗传算法 当代种群的生成

确实是随机产生的，只要在种群中不随机到两个一样的个体都没问题。初始种群中的个体数量应该就等于你的种群大小吧。

㈨ 怎样matelab编写算法使种群数量趋于稳定

这不需要任何算法，只要建立一个数组：
string month[] = { "", "january", "february" , "march", .... };
然后把数字作为索引去取字符串就可以了
month[3] 就会返回"march"
月份=(1,2,3,4,5,6,7,8,9,10,11,12)
1=Jan
....
12=Dec