遗传算法(进化类算法)中的选择，交叉，变异等一系列问题解析(二)

问题1——遗传算法中适应度函数如何确定

一般来说，遗传算法中的适应度函数是根据你想要得到的优化结果进行确定的。有的优化目的是要更小的适应度函数值，相反有的优化目的是要更大的适应度函数值。
这样说吧，例如很多博客中举的例子，袋鼠山地进化。其中，袋鼠个体（individual）相当于染色体（chromosome），袋鼠个体出现的位置则有本身的基因决定，所有袋鼠构成了袋鼠种群。对于袋鼠而言，想要生存就需要到达更高的地方。这个例子中，想要得到的最终目的是个体出现在更高的位置，也就是袋鼠个体出现在更高的位置，则表明该个体具有更好的生存优势，这个目的则可以作为遗传算法的适应度函数。

怎样确定该适应度函数（fitness function）

需要找到一个衡量个体所在位置高度的显式公式，将该高度衡量公式作为袋鼠进化的适应度函数。

如何实现袋鼠位置的移动或者变化

在袋鼠山地进化的优化问题中，袋鼠个体位置是由本身的基因决定的。因此，只有通过改变基因才能实现袋鼠所在位置的变化。
在遗传算法（进化类算法）中，基因操作主要分为：变异（mutation）和交叉（crossover）。通过变异和交叉，进而改变基因序列，使得袋鼠位置发生变化。

如何将有优良的袋鼠个体选出来

举个栗子
一个班级中，怎样判断一个学生学习好，当然是考试分数高，则表示学生学习好。怎样将学习好的学生挑选出来，已经有了学习好的衡量指标，则通过将成绩好的学生挑选出来就行了！
袋鼠进化问题也是这样的
已经有了可以衡量袋鼠个体优良的衡量指标——适应度函数（fitness function）
仅仅通过将具有更好的袋鼠个体选择出来就可以了！
这也就是遗传算法或者进化类算法中的——选择操作

怎样判断个体适应度好坏

可能看到这里，你会有疑问，适应度函数的计算结果，会有大有小，怎样判断个体好坏额？
例如，对于神经网络而言，我们会经常看到有关论文来优化网络参数，目的是得到可以使神经网络预测误差最小的网络参数。这个目的（误差最小）便可以作为优化算法的适应度函数，我们需要找到可以使适应度函数最小的网络参数，因此这种属于最小化适应度函数类型

MiniFitnessfunction=∣∣预测误差衡量公式∣∣Mini \ Fitness function = ||预测误差衡量公式||Mini Fitnessfunction=∣∣预测误差衡量公式∣∣

相反，对于袋鼠进化而言，属于典型的最大化适应度函数类型

MaxFitnessfunction=∣∣袋鼠位置衡量公式∣∣Max \ Fitness function = ||袋鼠位置衡量公式||Max Fitnessfunction=∣∣袋鼠位置衡量公式∣∣

问题2—— 变异和交叉实现遇见的问题

待续…