遗传算法解决数学等式（续）
source link: http://blog.foool.net/2018/08/%e9%81%97%e4%bc%a0%e7%ae%97%e6%b3%95%e8%a7%a3%e5%86%b3%e6%95%b0%e5%ad%a6%e7%ad%89%e5%bc%8f%ef%bc%88%e7%bb%ad%ef%bc%89/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
遗传算法解决数学等式（续）
之前的文章（http://blog.foool.net/2017/08/用遗传算法解决简单的数学等式问题/） 中介绍了过如何使用遗传算法解决数学等式问题，即寻找满足等式
(a + 2b + 3c + 4d) – 30 = 0
的一组解。适应函数确定后，影响算法好坏的主要依赖于交叉概率（crossover ratio），变异概率（mutation ratio）、初始基因组大小（即用于交叉变异的基因个数）和基因初始阈值。基因初始阈值指的是基因的取值范围，比如等式中变量a/b/c/d 的取值范围，我在实验中限定变量为大小不超过100 的整数。下面给出本文的几个结论。
一、遗传算法也可以用于寻找唯一解
之前的文章 中寻找的是四元一次等式的一个解，这个解的个数是无穷的，遗传算法能够找到一个解，但每次找到的解也不相同。但如果要用遗传算法解一个包含四个等式的四元一次方程组（唯一解）也是可行的，只是时间话的需要更长。比如遗传算法解四元一次等式平均需294 次迭代，解四元一次方程组需11400 次迭代（所有参数同之前的文章）。本文使用的四元一次方程组为：
(a + 2b + 3c + 4d) – 30 = 0
(2a + 2b + 2c + 2d) – 24 = 0
(3a + 1b + 7c + 1d) – 60 = 0
(4a + 3b + 2c + 1d) – 30 = 0
二、增加初始基因组大小有可能加速算法速度
增加基因组中基因数量，那么每次迭代/循环中的基因数量更多，可能出现解的概率增大。在以四元一次等式为例的实验中，增加基因组大小的确显著减少了迭代的次数，即使考虑了增加基因数目而带来的增量计算，算法仍减少了程序的整体运行时间。
三、增加初始基因组大小也有可能不能加速算法速度
有点调皮了，这个结论是和第二点结论是相左的，如在其他参数相同情况下，随着基因组大小增大，遗传算法在解四元一次方程组需要迭代的次数增加。
四、对于特定问题，参数大小影响算法性能大
下图是在基因组大小为18 时, 遗传算法1000 次测试四元一次等式求解所需要迭代次数的热力图，横坐标是变异率，从5% 到43%，纵坐标是交叉率，从5% 到70% 。热力图颜色范围是0-300，最深颜色表示300 次或300次以上迭代（比如在交叉率是70%，变异率是43%，实际迭代次数是9268次）。
综上，1.借助于适应函数，交叉、变异过程，遗传算法给出了一个在较大解空间快速求解的途径，但具体设计交叉、变异过程需要考虑特定问题；2.选取合适的参数极大影响了遗传算法性能，一般可以通过相似问题（复杂度更低）的参数选择作为参考（但是这种参考也不一定可靠，比如上面例子中，四元一次方程中增大基因组个数可以减少迭代次数，但在四元方程组中增加基因组个数却增加了迭代次数）。
此条目由qing发表在其他、数学、编程分类目录，并贴了算法标签。将固定链接加入收藏夹。
此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK