兆尹呼叫中心自动排班系统
2019-03-24 17:08:52 来源：沈阳软件公司 作者：沈阳软件开发
在遗传算法里，优化问题的解被称为个体，它表示为一个参数列表，叫做染色体或者基因串。染色体一般被表达为简单的字符串或数字串，不过也有其他的表示方法适用，这一过程称为编码。一开始，算法随机生成一定数量的个体，有时候操作者也可以对这个随机产生过程进行干预，播下已经部分优化的种子。在每一代中，每一个个体都被评价，并通过计算适应度函数得到一个适应度数值。种群中的个体被按照适应度排序，适应度高的在前面。这里的“高”是相对于初始的种群的低适应度来说的。
下一步是产生下一代个体并组成种群。这个过程是通过选择和繁殖完成的，其中繁殖包括交配(crossover)和突变(mutation)。选择则是根据新个体的适应度进行的，适应度越高，被选择的机会越高，而适应度 低的，被选择的机会就低。初始的数据可以通过这样的选择过程组成一个相对优化的群体。之后，被选择的个体进入交配过程。一般的遗传算法都有一个交配概率， 范围一般是0.6~1，这个交配概率反映两个被选中的个体进行交配的概率。 例如，交配概率为0.8，则80%的“夫妻”会生育后代。每两个个体通过交配产生两个新个体，代替原来的“老”个体，而不交配的个体则保持不变。交配父母 的染色体相互交换，从而产生两个新的染色体，第一个个体前半段是父亲的染色体，后半段是母亲的，第二个个体则正好相反。不过这里的半段并不是真正的一半， 这个位置叫做交配点，也是随机产生的，可以是染色体的任意位置。再下一步是突变，通过突变产生新的“子”个体。一般遗传算法都有一个固定的突变常数，通常是0.1或者更小，这代表变异发生的概率。根据这个概率，新个体的染色体随机的突变，通常就是改变染色体的一个字节（0变到1，或者1变到0）。经过这一系列的过程（选择、交配和突变），产生的新一代个体不同于初始的一代，并一代一代向增加整体适应度的方向发展，因为最好的个体总是更多的被 选择去产生下一代，而适应度低的个体逐渐被淘汰掉。这样的过程不断的重复：每个个体被评价，计算出适应度，两个个体交配，然后突变，产生第三代。周而复 始，直到终止条件满足为止。一般终止条件有以下几种：
* 进化次数限制
* 计算耗费的资源限制（例如计算时间、计算占用的内存等）
* 一个个体已经满足最优值的条件，即最优值已经找到
* 适应度已经达到饱和，继续进化不会产生适应度更好的个体
* 人为干预
* 以及以上两种或更多种的组合
对于任何一个具体的优化问题，调节遗传算法的参数可能会有利于更好的更快的收敛，这些参数包括个体数目、交叉律和变异律。例如太大的变异律会导致丢失最优解，而过小的变异律会导致算法过早的收敛于局部最优点。对于这些参数的选择，现在还没有实用的上下限。
> 免疫遗传算法
实践也表明，仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，还必须更加深层次地挖掘与利用人类地智能资源。所以，许多学者力图将生命科学中的免疫概念引
人工免疫算法与遗传算法的异同点：
免疫遗传算法在形式上与基本的遗传算法(SGA)有相似之处，它们均属随机优化方法。初始可行解的产生、编码、解码和评价机制相似，具有并行性，均有选择与变异操作。但是，这两种算法产生于两个不同的自然机制，背景不同，所采用的术语也不同。SGA是纂于达尔文的自然选择进化理论，是对生物个体进化中的有性繁殖的宏观模拟，它的选择、交叉和变异算子都是在一定发生概率的条件下随机地、没有指导地迭代搜索。
由于基本遗传算法本身的局限性，所以在利用该算法解决该问题的时候必然有一定的局限性，这要通过对遗传算法本身进行改进来实现。由于免疫遗传算法是在传统遗传算法全局随机搜索的基础上，借鉴了生物免疫机制中抗体的多样性保持策略，利用了待求问题中的一些特征信息，该算法有效地减弱了遗传算法中后期的波动现象，改善了遗传算法的群体多样性，具有更好的全局搜索能力。
“沈阳软件公司”的新闻页面文章、图片、音频、视频等稿件均为自媒体人、第三方机构发布或转载。如稿件涉及版权等问题，请与
我们联系删除或处理，客服QQ:55506560，稿件内容仅为传递更多信息之目的，不代表本网观点，亦不代表本网站赞同
其观点或证实其内容的真实性。
热门文章
使用“扫一扫”即可将网页分享至朋友圈。
