遗传算法-编码

编码是建立 基因型 与 表现型 的映射关系

编码原则

完备性（completeness）：问题空间的所有解都能表示为所设计的基因型；

健全性（soundness）：任何一个基因型都对应于一个可能解；

非冗余性（non-redundancy）：问题空间和表达空间一一对应

二进制编码

解决常规问题最常用的编码方式

编码原则

二进制的位数由 解空间 大小决定，如 解空间为 0-10，则 编码位数为 3 位 111=12

优缺点

优点-简单

编码、解码操作简单；

交叉、变异便于实现；

缺点-变化剧烈且不连续

二进制编码，随机改变一个位置的数字，可能带来几十(2^4=16)甚至上百(2*10=128)的变化，这使得搜索过程变化剧烈，故而

变异过程不连续；

局部搜索(小范围搜索)能力较差；

不适合高精度问题；

一句话，个体长度较短时，无法满足精度要求；个体长度较长时，增加解空间的搜索难度

浮点数编码

编码原则

根据业务自行设定，一个个体可以是一个浮点数，也可以是多个，如 1.2-3.2-5.3-7.2-1.4-9.7

优点

适用于数值比较大的解

适用于精度较高的解

适用于解空间较大的情况

摘录他人

1. 改善了遗传算法的计算复杂性，提高了运算交率
2. 便于遗传算法与经典优化方法的混合使用
3. 便于设计针对问题的专门知识的知识型遗传算子
4. 便于处理复杂的决策变量约束条件

交叉变异的特点

如果是 多个浮点数，基本和二进制的 单点交叉、多点交叉 等雷同，

如果是 单个浮点数，有其方式，也很灵活，

　　// 如交叉：随机产生介于 父亲和母亲 间的一个数，（5.5，7， 6.3），

　　// 如变异：随机加上一个 （-1， 1）之间的一个数

符号编码

摘录他人

1. 符合有意义积术块编码原则
2. 便于在遗传算法中利用所求解问题的专门知识
3. 便于遗传算法与相关近似算法之间的混合使用。

实值编码

根据实际情况编码

参考资料：

https://www.jianshu.com/p/ae5157c26af9　　超详细的遗传算法(Genetic Algorithm)解析

https://blog.csdn.net/u010451580/article/details/51178225/