AForge学习笔记（4）：AForge.Genetic

遗传算法简介：

在学习AForge的遗传算法之前，我们首先简单介绍一下遗传算法的理念：遗传算法的提出是源于达尔文进化论思想的启发，优胜劣汰，适者生存，适应力强的生存下去的几率更大，那么在算法上我们用适应性函数来模拟遗传学中的适应性强度，函数值越大说明适应能力越强，被继续保留的概率越大。在算法当中有几个主要术语：种群（Population），基因(Gene)，染色体（chromosome）。种群被定义为具有一定规模（一定种子数）的群落的集合，种群由染色体组成，染色体由基因组成。算法流程如下：首先我们通过随机抽样的方式创建一个种群，为种群中的软色体（种子）计算适应力强度，根据适应力强度进行种子的再选，交叉，突变，生成新的种子点重复以上过程。

AForge中的实现：

我们通过实例学习AForge是怎样通过遗传算法解决问题的。引入的问题是求解函数最大值。

求解函数最大值问题：

        // 首先创建适应度函数，UserFunction即是我们所说的适应度方程
public class UserFunction : OptimizationFunction1D
{
public UserFunction( ) : base( new Range( 0, 255 ) ) { }//生成新范围
public override double OptimizationFunction( double x )
{
            //适应度函数
            return Math.Pow(Math.Cos(x / 23) * Math.Sin(x / 50), 2) + Math.Pow(Math.Cos(x / 23) * Math.Sin(x / 50), 5) + 2;
}
}

         // 创建种群，第一参数为种群数，第二参数为染色体对象，第三参数为适应度函数，第四参数为染色体选择方法
         Population population = new Population( populationSize,
         new BinaryChromosome( chromosomeLength ),userFunction,
         ( selectionMethod == 0 ) ? (ISelectionMethod) new EliteSelection( ) ://精英选择
         ( selectionMethod == 1 ) ? (ISelectionMethod) new RankSelection( ) ://范围选择
         (ISelectionMethod) new RouletteWheelSelection( ));//轮盘选择
         // 设置最优化模式
          userFunction.Mode = ( optimizationMode == 0 ) ?
          OptimizationFunction1D.Modes.Maximization ://最大值寻求方程
          OptimizationFunction1D.Modes.Minimization;//寻求方程最小值
        // 迭代次数初始化
          int i = 1;
        // 染色体以及适应度强度
          double[,] data = new double[ populationSize, 2];
       // 迭代循环
           while (!needToStop)
           {

               for ( int j = 0; j < populationSize; j++ )

           {

           data[j, 0] = userFunction.Translate( population[j] );//将二进制染色体转译成数值型
           data[j, 1] = userFunction.OptimizationFunction( data[j, 0] );//染色体适应度求解

           }

           if ( ( iterations != 0 ) && ( i > iterations ) )//是否超过迭代次数
                 break;

           ｝

通过以上算法，我们发现AForge中的遗传算法一般步骤为：

1）声明适应度函数

2）创建种群对象，其中包括种群数的确定，染色体对象创建，种子点选择方法的确定

3）进行种群的算法运算（迭代运算）

通过程序的运算结果我们再次理解遗传算法理念：

      

      

随着迭代次数的增加，种子点的适应度（函数值的大小）逐渐增强，最后适应度最强（函数值最大）的种子点被选中。