交叉演算法

1. 交叉法原理

交叉法原理是利用化合價書寫物質化學式的方法，它適用於兩種元素或兩種基團組成的化合物。其根據的原理是化合價法則：正價總數與負價總數的代數和為0或正價總數與負價總數的絕對值相等。

我們常說十字交叉法實際上是十字交叉相比法，它是一種圖示方法。十字交叉圖示法實際上是代替求和公式的一種簡捷演算法，它特別適合於兩總量、兩關系的混合物的計算(即2—2型混合物計算)，用來計算混合物中兩種組成成分的比值。

它是進行二組混合物平均量與組分計算的一種簡便方法。凡可按M1·n1+M2·n2=M·n計算的問題，均可按十字交叉法計算。M表示某混合物的平均量，M1．M2則表示兩組分對應的量。如M表示平均相對分子質量，M1．M2則表示兩組分各自的相對分子質量，n1．n2表示兩組分在混合物中所佔的份額，n1:n2在大多數情況下表示兩組分的物質的量之比，有時也可以是兩組分的質量之比，判斷時關鍵看n1，n2表示混合物中什麼物理量的份額，如物質的量、物質的量分數、體積分數，則n1:n2表示兩組分的物質的量之比；如質量、質量分數、元素質量百分含量，則n1:n2表示兩組分的質量之比。

十字交叉法於二元組分混合體系的計算方法，常用於計算二元組分的比例關系。

方法有相乘法，是利用化合價書寫物質化學式的方法它適用於兩種元素或兩種基團組成的化合物，其根據的原理是化合價法則：正價總數與負價總數的代數和為0或正價總數與負價總數的絕對值相等。

相比法。十字交叉法實際上是十字交叉相比法，它是一種圖示方法。十字交叉消去法簡稱為十字消去法，它是一類離子推斷題的解法，採用「十字消去」可縮小未知物質的范圍，以便於利用題給條件確定物質，找出正確答案。

2. 交叉運算元是誰提出的

20世紀90年代後，遺傳演算法的發展迎來了它的興盛時期，理論研究和應用研究都成了極其熱門的課題。尤其是遺傳演算法的應用研究顯得格外活躍，不但它的應用領域擴大，而且利用遺傳演算法進行優化和規則學習的能力也顯著提高，同時產業應用方面的研究也在摸索之中。此外一些新的理論和方法在應用研究中亦得到了迅速的發展，這些無疑均給遺傳演算法增添了新的活力。遺傳演算法的應用研究在不斷地發展，已從最初的組合優化求解發展到了很多更新、更工程化的應用領域。

由於遺傳演算法應用領域在不斷地擴展，遺傳演算法的研究引發了幾個不得不令人注目的新動向：一是基於遺傳演算法的機器學習，這一新的研究課題把遺傳演算法從歷來離散的搜索空間的優化搜索演算法擴展到具有獨特的規則生成功能的嶄新的機器學習演算法。這一新的學習機制對於解決人工智慧中知識獲取和知識優化精煉的瓶頸難題帶來了希望。二是遺傳演算法正在和神經網路、模糊推理及混沌理論等智能計算方法不斷地滲透和結合。這對開拓21世紀中新的智能計算技術將具有重要的意義。三是並行處理的遺傳演算法的研究非常活躍。這一研究既有利於促進遺傳演算法本身的發展，又有利於促進新一代智能計算機體系結構的研究。四是遺傳演算法正和一個人工生命的嶄新研究領域不斷地滲透。五是它與進化規劃以及進化策略等進化計算理論在日益地結合。EP和ES幾乎是和遺傳演算法幾乎是同時發展起來的，同遺傳演算法一樣，它們也是模擬自然界生物進化機制的智能計算方法，但這三者也有各自的特點。目前，關於EP、ES和遺傳演算法三者間的對比研究和彼此間結合的研究和探討已成了熱點。

在20世紀90年代初，D.Whitey提出了基於領域交叉的交叉運算元，它是特別針對用序號表示基因的個體的交叉，並將其應用到了TSP問題中，通過實驗對其進行了驗證。D.H.Ackley等提出了隨即迭代遺傳爬山法採用了一種復雜的概率選舉機制，此機制中由m個「投票者」來共同決定新個體的值（m表示群體的大小）。實驗的最終結果表明，與單點交叉、均勻交叉的神經遺傳演算法相比，在SIGH所測試的六個函數中，其中有四個表現出更好的性能。所以從總體上看，比現存的其他演算法相比，在求解速度上SIGH具有更強的競爭力。

後來又有人將遺傳演算法與單一方法結合了起來，形成了單一操作的多親交叉運算元。該運算元在根據兩個母體以及一個額外的個體產生新個體，事實上他的交叉結果與對三個個體用選舉交叉產生的結果一致。同時，人們還將三者交叉運算元和點交叉、均勻交叉做了對比。對比結果表明，前者比後兩個表現出了更好的性能。

國內也有不少的專家和學者對遺傳演算法的交叉運算元進行改進。2002年，戴曉明等應用多種群遺傳並行進化的思想，對不同種群基於不同的遺傳策略，如變異概率，不同的變異運算元等來搜索變數空間，同時還利用種群間遷移運算元來進行遺傳信息交流，以解決經典遺傳演算法的收斂到局部最優值問題。在2004年又有專家針對簡單遺傳演算法在較大規模組合優化問題上搜索效率不高的現象，提出了一種用基因塊編碼的並行遺傳演算法。該方法所依據的基本框架是粗粒度並行遺傳演算法，在染色體群體中識別出可能的基因塊，然後用基因塊作為新的基因單位對染色體重新編碼，產生長度較短的染色體，在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體。而到了2005年，針對用並行遺傳演算法求解TSP的這一問題，又有人指出用彈性策略來維持群體的多樣性的方法，使得演算法突破了局部收斂，向全局最優解的方向發展。

3. 在遺傳演算法中，什麼是交叉概率

交叉的目的是為了產生新的解.
了解了目的,就好理解了.
從解集中以一定概率來選取兩個解,進行交叉以便產生新的解,這個概率就是交叉概率.
但要注意,交叉概率太大的話,就失去意義了,就變成隨機演算法了；太小的話,收斂太慢.通常的做法是採用自適應的方法.

4. 寫出把兩個單鏈表交叉合並的演算法。假設單鏈表的結點結構如下：

以下是將A、B鏈表交叉合並到A的偽代碼：(頭結點非空）
起始：
pNodeA,pNodeB指向兩鏈表各自的頭結點：
……………………………………………………………………………………

pRet = pNodeAFirst;//保存A鏈表頭結點。
while( pNodeA && pNodeB )//任一鏈表完結即結束
{
//保存原來指向的下一結點
pTmpA = pNodeA->next;
pTmpB = pNodeB->next;
//合並
pNodeA->next = pNodeB;
pNodeB->next = pNodeA->next;
//往前行進
pNodeA = pTmpA;
pNodeB = pTmpB;
}

隨手寫的，請自測。
上述未經測試

5. 多數組任意交叉演算法挑戰題

這沒有啥難度的吧，直接遞歸就可以了啊
演算法描敘：
1. 從給定位置x,y出發，對候選的八個位置
(x-2,y+1)
(x+2,y+1)
(x-2,y-1)
(x+2,y-1)
(x-1,y+2);
(x+1,y+2)
(x-1,y-2)
(x+1,y-2)
確定是否越界，如果沒有越界，就分別對其進行遞歸。
2.當遞歸次數到達k次，也就說馬走了k次，把最終坐標保存。
當所有遞歸結束，將獲得所謂的位置。

#pragma warning(disable:4786)
#include <iostream>

6. 誰給我解釋下遺傳演算法中的交叉概率，變異概率和代溝

1、交叉概率用於判斷兩兩個體是否需要交叉；變異概率用於判斷任一個體是否需要變異。
2、在一次進化迭代中，交叉通常是採用兩兩互相不重復交叉的方式，即個體1和個體2，個體3和個體4...個體n-1和個體n，或者個體1和個體n/2，個體2和個體n/2+1...個體n/2-1和個體n。以第一種方式為例，對於個體1和個體2，產生一個[0,1]之間的隨機數，如果該隨機數小於交叉概率，則個體1和個體2進行交叉操作，否則繼續產生隨機數判斷之後的兩個個體。
當然也可以採用隨機交叉的方式，這時的交叉次數不能確定。
3、兩兩個體之間的交叉操作有不同的交叉方式，即：如果採用十進制編碼，會有不同的交叉公式；如果採用二進制編碼，有單點交叉和多點交叉。

7. 遺傳演算法 交叉的個數怎麼確定

遺傳演算法中的選擇、交叉和變異都是隨機操作，而不是確定的精確規則。這說明遺傳演算法是採用隨機方法進行最優解搜索，選擇體現了向最優解迫近，交叉體現了最優解的產生，變異體現了全局最優解的復蓋。

8. 反應熱 十字交叉演算法

先取極值
假設全部為H2，則放熱5mol*285.6KJ/mol = 1428KJ
假設全部為C3H8，則放熱5mol*2220KJ/mol = 11100KJ
現放熱6164KJ
則有，
H2 1428--------4936
------------6164-------
C3H8 11100--------4736
右上為左下與中間差的絕對值，右下為左上與中間差的絕對值
(『--』為了好看才畫的，當作不存在)
所以H2和C3H8體積比為4936：4736
（題目應該是6264KJ吧，那樣就正好1：1）

9. 遺傳演算法中的交叉運算元具體怎麼實現~跪求文字描述以及演算法描述~。詳細點

交叉運算元分好幾種，有單點交叉、兩點交叉、多點交叉、融合交叉、均勻交叉等，最簡單的是單點交叉，假設個體的長度為N，那麼就隨機產生一個（1，N）范圍內的整數r，然後將要交叉的兩個母代個體從r這個地方截為兩段，交換母代個體的後半段，就產生了新子代個體。這就是簡單的單點交叉。詳細可以看《遺傳演算法——理論、應用與軟體實現》這本書中對交叉運算元的介紹。參考資料是一個簡單遺傳演算法的C代碼及介紹。