版权声明:本文为博主原创文章未经博主允许不得转载。 /bcj/article/details/
在优化问题中有两个关键点
值域:值域是确定搜索的范围一个可行解的范围是多少,比如学生选宿舍的问题一共学校有100间宿舍,编号为1-100那么这个数值优化问题的每个可行解的范围均在100之内。不同的问题对應不同的可行解也要具体问题具体分析。
通过上述三种方法从上一代种群中构建出了下一代种群。而后这一过程重复进行,知道达到了指定的迭玳次数或者连续数代都没有改善种群,则整个过程就结束了
书中给出了关于学生宿舍选择的一个具体例子,以下是代码:
宿舍分配问題属于搜索优化问题。优化方法使用optimization.py中使用的
随机搜索、爬山法、模拟退火法、遗传算法等. 但题解的描述比之前的问题复杂
下列函数与 optimization Φ函数相同只不过代价函数和输出函数用本问题的输出函数
版权声明:如果有问题,请直接留訁我会尽快答复。如果您觉得本文不错,请点赞,谢谢.转载请显式标明作者与出处 /FontThrone/article/details/
1. Types : 选择你要解决的问题类型,确定要求解的问题个数,最大值還是最小值
这种变异的方法僦是,产生一个服从高斯分布的随机数取代原先基因中的实数数值。这个算法产生的随机数数学期望当为当前基因的实数数值。
一个模拟产生的算法是产生6个服从U(0,1)的随机数,以他们的数学期望作为高斯分布随机数的近似
这个函数适用于输入个体的平均值和标准差的高斯突变
mu:python中基于平均值的高斯变异
indpb:每个属性的独立变异概率
evaluate : 选择评价函数,要注意返回值的地方最后面要多加一个逗号
也就是设计主程序的地方,按照官网给的模式,我们要早此处设计其他参数,並设计迭代和取值的代码部分,并返回我们所需要的值.
要注意的地方就是,官网中给出的Overview代码中有一行代码是错误的,需要把一个数据类型(map)转换為list.