遗传算法适应度

A. 遗传算法中个体的适应度值怎样计算

根据你问题来的哎，适应度函数值(fitness value)与优化目标有关。

B. 遗传算法中 适应度 是怎么求出来的

这个要看问题自己定义了，比如寻路问题中可以定义为路径长度，寻找较优解的问题中直接以解的优劣作为适应度。

C. 遗传算法适应度问题

由于遗传策略的不同，使得新一代个体的最大适应度不一定比上一代个体的最大适应度大，这也就出现了采用“精度保留策略”的遗传算法，也就保证了所述问题中的1；最大适应度对应的个体直接保留，进入下一代进行交叉遗传，这更符合实际情况，只能说明它与最初提出的标准遗传算法有操作步骤上的不同，并不能说明它与遗传算法的思想相矛盾。

D. 遗传算法中怎么构建适应度函数

适应度函数的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据,利用种群每个个体的适应度来进行搜索。

因为适应度函数的复杂度是遗传算法复杂度的主要组成部分，所以适应度函数的设计应尽可能简单，使计算的时间复杂度最小。

遗传算法评价一个解的好坏不是取决于它的解的结构，而是取决于该解的适应度值。这正体现了遗传算法“优胜劣汰”的特点。遗传算法不需要适应度函数满足连续可微等条件，唯一要求是针对输入可计算出能加以比较的非负结果。

相关内容解释

遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。

对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。

进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

E. 遗传算法的基本原理

遗传算法本质上是对染色体模式所进行的一系列运算，即通过选择算子将当前种群中的优良模式遗传到下一代种群中，利用交叉算子进行模式重组，利用变异算子进行模式突变。

F. 遗传算法中常用的适应度函数是什么呢

1.物竞――适应度函数（fitness function）

自然界生物竞争过程往往包含两个方面：生物相互间的搏斗与及生物与客观环境的搏斗过程。但在我们这个实例里面，你可以想象到，袋鼠相互之间是非常友好的，它们并不需要互相搏斗以争取生存的权利。它们的生死存亡更多是取决于你的判断。因为你要衡量哪只袋鼠该杀，哪只袋鼠不该杀，所以你必须制定一个衡量的标准。而对于这个问题，这个衡量的标准比较容易制定：袋鼠所在的海拔高度。（因为你单纯地希望袋鼠爬得越高越好。）所以我们直接用袋鼠的海拔高度作为它们的适应性评分。即适应度函数直接返回函数值就行了。

引自：网页链接

G. 遗传算法中每个个体的适应度值怎么算啊，怎么用matlab实现啊

适应度为所求问题g(x)的函数f(x)，即为函数的函数f(g(x))，一般直接用所求问题的值作为个体的适应度值，即f(x)=1，比如求g(x)=x^2-8的最小值，适应度函数就是g(x)

H. 遗传算法怎么求某一代种群个体适应度值现在我能算

我认为你的做法是对的，虽然每个人的做法有所不同。《遗传算法原理及应用》这本书中介绍的最优保存策略是这样的：即当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异等遗传操作后所产生的适应度最低的个体。如果是在遗传操作之后再采取最优保存，那么上一代的最优个体没准就在操作过程中被破坏了、丢失了。