表9-1遗传算法原型 GA(Fitness, Fitness threshold, p, r, m) Fitness:适应度评分函数 Fitness threshold:指定终止判据的阈值 p:群体中包含的假设数量 r:每一步中通过交叉取代群体成员的比例 m:变异率 初始化群体:P<随机产生的p个假设 评估:对于P中每个假设h,计算 Fitness(h 当 Imax fimess(< Fitness threshold,产生新一代Ps,做: ·选择:用概率方法选择P的(1-η)个成员加入PS,概率公式是 P(h1)= Fitness(h,) ·交叉:按概率从P中选择rp/2对假设,对于每对假设<h,h2>,应用交叉算 子产生两个后代,把所有的后代加入PS 变异:使用均匀的概率从PS中选择m%的成员,应用变异算子 更新:P<PS 评估:对于P中每个h计算 Fitness(h) 从P中返回适应度最高的假设 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 7 表9-1 遗传算法原型 • GA(Fitness, Fitness_threshold, p, r, m) Fitness：适应度评分函数 Fitness_threshold：指定终止判据的阈值 p：群体中包含的假设数量 r：每一步中通过交叉取代群体成员的比例 m：变异率 – 初始化群体：P随机产生的p个假设 – 评估：对于P中每个假设h，计算Fitness(h) – 当 <Fitness_threshold，产生新一代PS，做： • 选择：用概率方法选择P的(1-r)p个成员加入PS，概率公式是 • 交叉：按概率从P中选择rp/2对假设，对于每对假设<h1,h2>，应用交叉算 子产生两个后代，把所有的后代加入PS • 变异：使用均匀的概率从PS中选择m%的成员，应用变异算子 • 更新：PPS • 评估：对于P中每个h计算Fitness(h) – 从P中返回适应度最高的假设 = = p j j i i Fitness h Fitness h h 1 ( ) ( ) Pr( ) max Fitness(h) h