Alevel生物知识点总结——遗传算法
本文出处：Alevel课程辅导 发布时间：2020-03-20 14:38:27 字体大小： A+ A-
遗传学是Alevel生物知识点中最考验学生运算和分析能力的一部分内容，也是很多同学们心目中的一大难点。今天A加未来小编就带大家来总结一下遗传学部分的一些相关的算法运算，希望对大家有所帮助。
遗传算法（Genetic Algorithm）
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。
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。
它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；
采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
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。
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。
遗传算法也是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。
以上就是A加未来小编关于Alevel生物知识点中有关遗传算法的总结，希望能够作为同学们Alevel课程备考中的一份参考，为大家Alevel成绩提升带来一些帮助。更多Alevel课程学习问题，欢迎随时咨询我们！