遗传算法常见问题集.doc

《遗传算法常见问题集.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、问题1：遗传算法能解决哪些问题，不能解决哪些问题？答：遗传算法，从数学角度看，是一种概率性搜索算法，从工程角度看，是一种自适应迭代寻优过程。它从初始群体作为父代群体开始，反复运用选择、复制、杂交、变异等操作在全局内寻找最优解，因此遗传算法广泛应用于组合优化、机器学习、模式识别等领域，研究表明对于绝大部分问题，如果选择合理的编码方法、设置合适的适应函数和适宜的参数设置都能在有限的循环步内找到最优解或近似最优解。然而，对于存在孤立最优解的问题，即在这个最优点周围是一些比较差的点，此时遗传算法很难甚至不

2、能找到最优解，这类问题被称为“GA－难”问题。问题2：遗传算法中提到的“过早收敛”和“过慢结束”是什么含义？如何避免这两种情况？答：根据模式定理，适应度较高的个体有更多的复制机会，因此整个种群可能在没有达到最优解甚至没有达到可接受解的时候，就会因为一种或几种个体的副本占了统治地位而达到了局部最优值，但是不能找到更优的解，这种情况叫“过早收敛”；与“过早收敛”相对应，“过慢结束”是指在许多代之后，整个种群已经大部分收敛，但是它还没有稳定在全局最优值，最优个体的适应度函数值和平均的适应度函数值之间差别

3、不大，这导致没有足够的力量推动遗传算法找到最优值。上述两种情况，可以采用“适应度函数缩放”技术加以解决。问题3：遗传算法如何应用到神经网络中？答：遗传算法由于简单通用性、全局寻优能力等特点得到广泛应用，常常与模拟退火算法、神经网络等配合使用对于解决某些问题具有不可替代的作用。遗传算法在神经网络中的主要应用包括三个方面：（1）在给定的神经网络的网络结构的前提下，遗传算法可以用来设定网络连接权值，并且遗传算法也可以用来设定学习速率；（2）遗传算法可以用来学习网络的拓扑结构，包括学习网络需要有多少隐层节

4、点，这些节点之间如何连接等问题；（3）遗传算法也可以用来选择训练数据。