有一些超級(jí)難的算法比如遺傳算法，蟻群算法，看了數(shù)學(xué)建模國(guó)賽感覺(jué)好難寫，那些人怎么寫出來(lái)的？這是許多人多年積累的一個(gè)算法。即使是著名的計(jì)算機(jī)科學(xué)家也不能每天都提出新的算法。許多計(jì)算機(jī)科學(xué)家一生中可能會(huì)貢

有一些超級(jí)難的算法比如遺傳算法，蟻群算法，看了數(shù)學(xué)建模國(guó)賽感覺(jué)好難寫，那些人怎么寫出來(lái)的？

這是許多人多年積累的一個(gè)算法。即使是著名的計(jì)算機(jī)科學(xué)家也不能每天都提出新的算法。許多計(jì)算機(jī)科學(xué)家一生中可能會(huì)貢獻(xiàn)一到兩種算法，這已經(jīng)足夠強(qiáng)大了。至于學(xué)習(xí)這些算法，當(dāng)然要容易得多

在模擬退火中，演化是由參數(shù)問(wèn)題t控制的，然后通過(guò)一定的運(yùn)算產(chǎn)生新的解。根據(jù)當(dāng)前方案的優(yōu)缺點(diǎn)和溫度參數(shù)t，確定是否接受當(dāng)前新方案。

遺傳算法主要由選擇、交叉、變異等操作組成，這些操作是由種群進(jìn)化而來(lái)的。

主要區(qū)別在于模擬退火使用單個(gè)個(gè)體進(jìn)行進(jìn)化，而遺傳算法使用群體進(jìn)行進(jìn)化。一般情況下，只有當(dāng)新解優(yōu)于當(dāng)前解時(shí)，新解才被接受，需要通過(guò)溫度參數(shù)t進(jìn)行選擇，通過(guò)變異操作產(chǎn)生新的個(gè)體。遺傳算法的新解是通過(guò)選擇操作選擇個(gè)體，通過(guò)交叉和變異產(chǎn)生新的個(gè)體。

相同的一點(diǎn)是它們都采用進(jìn)化控制優(yōu)化過(guò)程。

遺傳算法和退火算法的區(qū)別？

遺傳算法用于約束優(yōu)化，一般有以下幾種方法。方法1首先設(shè)計(jì)編碼規(guī)則，使解編碼只能在可行域內(nèi)。一個(gè)典型的例子是用遺傳算法對(duì)實(shí)數(shù)函數(shù)進(jìn)行優(yōu)化，它會(huì)給出上界和下界，然后不管對(duì)什么樣的染色體進(jìn)行解碼，它都會(huì)在這兩個(gè)界之間。方法2設(shè)計(jì)合理的交叉算子和變異算子，使得在滿足這些算子特征的前提下，算子操作后的染色體也在可行域內(nèi)。這種方法需要一定的智能思考，需要注意算子本身的特點(diǎn)。如果不小心，算法的搜索區(qū)域就會(huì)被錯(cuò)誤地縮小，導(dǎo)致效果不佳。一個(gè)典型的例子是TSP問(wèn)題的經(jīng)典解，見(jiàn)Goldberg和lingel，等位基因，位點(diǎn)和旅行商問(wèn)題，1985。方法3罰函數(shù)法。萬(wàn)能的方法。但罰函數(shù)過(guò)多或過(guò)嚴(yán)會(huì)導(dǎo)致效果不佳。方法4在變異/交叉后增加判斷語(yǔ)句，判斷是否滿足約束條件。如果沒(méi)有，有兩種策略：超出邊界的策略放在邊界上。（粒子群優(yōu)化經(jīng)常這樣做）或超出邊界，重新初始化。（差分進(jìn)化算法經(jīng)常這樣做）以上所有方法都是在scikit opt中實(shí)現(xiàn)的。參考資料：Goldberg和lingel，“等位基因，loca和旅行推銷員問(wèn)題”，1985。Scikit選項(xiàng)：https://github.com/guofei9987/scikit-opt