На этапе отбора нужно из всей популяции выбрать определенную ее долю, которая останется «в живых» на этом этапе эволюции. Есть разные способы проводить отбор. Вероятность выживания особи h должна зависеть от значения функции приспособленности Fitness(h). Сама доля выживших s обычно является параметром генетического алгоритма, и ее просто задают заранее. По итогам отбора из N особей популяции H должны остаться sN особей, которые войдут в итоговую популяцию H'. Остальные особи погибают.
3. Применение генетических алгоритмов
Генетические алгоритмы применяются для решения следующих задач:
1. Оптимизация функций
2. Оптимизация запросов в базах данных
3. Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний)
4. Настройка и обучение искусственной нейронной сети
5. Задачи компоновки
6. Составление расписаний
7. Игровые стратегии
8. Теория приближений
9. Искусственная жизнь
10. Биоинформатика (фолдинг белков)
Поиск в одномерном пространстве, без скрещивания.
# include <iostream># include <algorithm># include <numeric> int main(){usingnamespace std;srand((unsigned)time(NULL));constint N =1000;int a[N];//заполняемнулямиfill(a, a+N, 0);for(;;){//мутация в случайную сторону каждого элемента:for(int i =0; i < N;++i)if(rand()%2 == 1)a[i]+=1;elsea[i]-=1;//теперь выбираем лучших, отсортировав по возрастанию...sort(a, a+N);//... и тогда лучшие окажутся во второй половине массива.//скопируем лучших в первую половину, куда они оставили потомство, а первые умерли:copy(a+N/2, a+N, a /*куда*/);//теперь посмотрим на среднее состояние популяции. Как видим, оно всё лучше и лучше.cout<< accumulate(a, a+N, 0)/ N << endl;}}· Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. — М: Физматлит, 2003. — С. 432. — ISBN 5-9221-0337-7
· Курейчик В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация: теория и практика. — М: Физматлит, 2006. — С. 272. — ISBN 5-9221-0749-6
· Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие. — 2-е изд.. — М: Физматлит, 2006. — С. 320. — ISBN 5-9221-0510-8
· Гладков Л. А., Курейчик В. В, Курейчик В. М. и др. Биоинспирированные методы в оптимизации: монография. — М: Физматлит, 2009. — С. 384. — ISBN 978-5-9221-1101-0
· Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы = Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. — 2-е изд.. — М: Горячая линия-Телеком, 2008. — С. 452. — ISBN 5-93517-103-1
-Научные статьи по генетическим алгоритмам
-Реализация генетического алгоритма для .NET Framework 2.0
-Проект CuberGA — расширяемый framework для реализации генетических алгоритмов
· Эволюционные вычисления
· Генетические алгоритмы
· Генетические алгоритмы
· Решение Диофантова уравнения
· Подборка статей по теме Генетические алгоритмы
· Основные операции генетического алгоритма
· Использование генетических алгоритмов в проблеме автоматического написания программ
· Реализация генетических алгоритмов в среде MATLAB v6.12
· Сергей Николенко. Генетические алгоритмы (слайды) — лекция № 4 из курса «Самообучающиеся системы»
· geneticprogramming.us
· Обзор методов эволюции нейронных сетей
· Генерирование автоматов состояний с помощью ГА
· Субботін С. О., Олійник А. О., Олійник О. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: Монографія / Під заг. ред. С. О. Субботіна. — Запоріжжя: ЗНТУ, 2009. — 375 с.(укр.)
· A Field Guide to Genetic Programming. — Lulu.com, freely available from the internet, 2008. — ISBN 978-1-4092-0073-4
· Special Interest Group for Genetic and Evolutionary Computation (former ISGEC)(англ.)
· JAGA (Java API for Genetic Algorithms) — Extensible and pluggable open source API for implementing genetic algorithms and genetic programming applications in Java(англ.)
· IlliGAL (Illinois Genetic Algorithms Laboratory) Home Page(англ.)
· Evolutionary Computation Laboratory at George-Mason University(англ.)
· GENITOR Research Group (CS, Colorado)(англ.)
· Evolutionary and Adaptive Systems (EASy) at Sussex(англ.)
· Genetic Algorithms Articles(англ.)
· Evolutionary Algorithms Research Group at University of Dortmund(англ.)
· Evolutionary Digest Archive(англ.)
· GAUL: Genetic Algorithm Utility Library — нетривиальная обобщенная свободная реализация GA(англ.)
· Очень большая подборка статей по использованию генетических алгоритмов в задачах многокритериальной оптимизации(англ.)
· Genetic Algorithms in Ruby(англ.)
· Lakhmi C. Jain; N.M. Martin Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. - CRC Press, CRC Press LLC, 1998
1. Александров Д. А. Алгоритм муравьиной колонии для задачи о минимальном покрытии. XI междунар. Байкальская школа-семинар Методы оптимизации и их приложения, Труды, т3 (1998), Иркутск, с. 17–20.
2. Береснев В. Л., Гимади Э. Х., Дементьев В. Т. Экстремальные задачи стандартизации. Новосибирск: Наука, 1978.
3. Гончаров Е. Н., Кочетов Ю. А. Поведение вероятностных жадных алгоритмов для многостадийной задачи размещения. Дискретный анализ и исследование операций. Сер. 2. т6 (1999), № 1, с. 12–32.
4. Горбачевская Л. Е., Кочетов Ю. А. Вероятностная эвристика для двухуровневой задачи размещения. XI междунар. Байкальская школа-семинар Методы оптимизации и их приложения, Труды, т1 (1998), Иркутск, с. 249–252.
5. Гэри В., Джонсон Д. Вычислительные машины и труднорешаемые задачи. М.: Мир, 1982.
6. Еремеев А.В. Разработка и анализ генетических и гибридных алгоритмов для решения задач дискретной оптимизации. Дисс. канд.физ.-мат.наук. Омск, 2000.
7. Растригин Л.А. Случайный поиск — специфика, этапы истории и предрассудки. Вопросы кибернетики. Вып. 33 (1978), с. 3–16.
8. Aggarwal C. C., Orlin J. B., Tai R. P. Optimized crossover for maximum independent set. Oper. Res. v45 (1997), pp 225–234.
9. Balas E., Niehaus W. Finding large cliques in arbitrary graphs by bipartite matching. Cliques, coloring, and satisfiability. DIMACS Ser. Discrete Math. Theoret. Comput. Sci. v26 (1996), pp 29–49.
10. Balas E., Niehaus W. Optimized crossover-based genetic algorithms for the maximum cardinality and maximum weight clique problems. J. Heuristics. v4 (1998), N4, pp 107–122.
11. Boese K. D., Kahng A. B., Muddu S. A new adaptive multi–start technique for combinatorial global optimizations. Oper. Res. Lett. v16 (1994), N2, pp 101-114.
12. Bremermann H. J., Roghson J., Salaff S. Global properties of evolution processes. Natural automata and useful simulations. London: Macmillan. 1966. pp 3-42.