基于遗传算法的特征选择总结、遗传算法特征选择、遗传算法特征选择编码、遗传算法特征提取、遗传算法特征变量筛选、遗传算法选择算子、遗传算法赌注选择法、
(a )选择)运算符根据每个染色体的适应值的大小，适应值越大被选择的概率越高，其后代在下一代中出生的个数越多。 选择操作基于集团内个体的适应值评价，目前常用的选择算子有轮盘赌选择法、保留最佳个体选择法、期望值选择法等。 根据collegeofmathematicsandcomputerscience遗传算法的特点选择What Why How什么是遗传算法？ 对的回答特征选择是什么？ 遗传算法是模拟进化论，搜索优化问题最优解的算法。 它采用集体搜索策略，逐代进化到收敛到问题的最优解。 群体是个体的集合，个体模拟一个问题的一个解。 重要问题：个人怎么表达？ 方法：问题代码如何产生下一代？ 方法遗传操作如何评价种群质量？ 方法：什么是适应度函数What特征选择？ 是从特征集中选择最佳子集。 遗传算法流程图How 1.针对问题代码特征选择问题，问题代码简单，采用0-1代码即可。 任何n元0-1字符串都表示问题的一个解。 2 .如何产生下一代通过选择、交叉、变异三个遗传操作产生下一代？ 前两个操作每次都使用，第三个不一定，但没有规则。 选择是选择交叉的父本，交叉(模拟有性繁殖)形成新个体，变异是其中一种变异。 3 .如何评价种群质量适应度函数设计。 针对特征选择问题，采用以下分类可分性准则，可以设计适应度函数。 需要注意的是，适应度函数是该适应度函数，仅在连续值数据库的情况下适用。 怎么计算？ Iris数据库选择的特征子集应该尽可能减小类中的分散度，并尽可能增大类之间的分散度。 分别使用xk(I )和XL (j )？ 和I类？ 类j的d维特征向量， 如果(xk(I )，xk ) )为这两个向量之间的距离，则类间平均距离为，其中Pi和Pj为先验概率。 通常采用无辜的芝麻距离： JD称为各类之间的均方距离。 将类平均向量、总平均向量、类间分集矩阵Sb、类内分集矩阵Sw分别定义为、的估计值是、 I是类协方差矩阵。 其他需要说明的问题是，Q1初期种群的发生主要有： (1)群体规模n； )2)初始化种群。 种群规模n越大，种群多样性越好，GA局部陷入极小的可能性越小。 但是，如果n过大，计算量就会变多，收敛速度也会降低。 n太小，GA搜索空间限制在很小的范围内，可能会导致早熟。 需要根据问题的维数和难易度设定n，一般来说维数和难易度越高，n应该越大。 n通常建议在几十到几百之间。 初始化种群通常由随机化法生成。 (a.1 )轮盘赌方法(准备步骤) S1 )如下式计算种群中每个个体xi被选择的概率。 (E3 ) ) S2 )如下式计算种群中每个个体xi的累积概率。 (E4 ) )选择步骤)根据选择概率，将圆盘形轮盘分为n个扇形，第I个扇形的中心角为2？ pi。 进行选择时，假设随机移动到下一个轮盘赌，重复选择n次即可，使得如果参照点位于第r个扇形内则选择xr。 上述方法可以用以下计算机方法模拟。 [ 0，1 ]区间分为长度为p1，p2，…，pN的小区间。 以均匀分布于[ 0，1 ]的方式产生随机数，根据该数量属于哪个小区间，选择对应的个体。 这样重复n次就可以了。 具体步骤是根据轮盘选择步骤STEP1(式(E4 ) )计算累积概率。 STEP2)将接下来的两个步骤重复n次STEP2.1 ) [ 0，1 ]生成任意一个随机数r； 步骤2.2 :若r？ q1 )那么，选择x1； 否则，如果qi-1？ r？ 选择qi、xi。 (a.2 )保留最佳个体的选择方法是，将迄今为止得到的m个最佳个体直接保留在下一代种群中，剩下的N-M个个体可以用其他方法选择产生。
(a.3 )期望值选择方法在轮盘选择方法中，种群规模不大时，产生的随机数可能无法显示该随机变量的真实分布情况。 这样，在选择时，适应度值大的个体被淘汰，适应度值小的个体有可能反而被选择。 为了克服这一缺点，提出了期望值方法。 期望值方法选择步骤STEP1:用下式计算各个体生存于下一代的期待个数。 (E5 )步骤2 )选择BMDSP个个体后，Mi=Mi-0.5； 否则，Mi=Mi-1。 STEP3)复制第I个个体[Mi]份，以小数部分为选择概率，参与选择，看第I个个体是否可以再次选择。 STEP4)如果1个个体的生存期待个数下降到0以下，则该个体不再参加选择(被淘汰)。 (b )交叉(Crossover )算子用概率pc选择参与交叉的个体，将所选个体配对。 每对在单点交叉或两点交叉中产生两个后代。 有两个用二进制代码编码的个体a和b时。 交叉前后为A=a1a2a3|a4a5