算法打包
已经把算法打包了，scikit-opt
step1: Define a Function
def demo_func(x):
x1, x2, x3 = x
return x1 ** 2 + (x2 - 0.05) ** 2 + x3 ** 2
step2: Genetic Algorithm
from sko.GA import GA
ga = GA(func=demo_func, lb=[-1, -10, -5], ub=[2, 10, 2], max_iter=500)
best_x, best_y = ga.fit()
原理篇
遗传算法有三个基本操作：
- 选择（Selection）
- 交叉（Crossover）
- 变异（Mutation）。
积木块假设
积木块假设：阶数低、长度短、适应度高的模式（积木块）在遗传算子的作用下，相互结合，能生成阶数高、长度长、适应度高的模式，最终生成全局最优解
早熟现象
早熟（Premature Convergence）
- 群体中的所有个体都陷入同一极值而停止进化
- 接近最优解的个体总是被淘汰，进化过程不收敛
改进
- Gap
- 多种群
- 。。。其它改进
多种群GA
- 早熟对交叉概率和变异概率很敏感
- 引入多个种群，不同种群赋予不同的控制参数
- 不同种群之间有移民算子
- 人工选择算子保存各种群每代的最优，作为判断算法收敛的依据
应用
应用于图像处理
问题是找到一个M，大于M的点灰度值设为255，小于M的值设定为0
适应度函数： f=p1p2(u1-u2)^2 其中p1,p2是目标图像C1，背景图像C2中像素点出现的概率 u1，u2是C1，C2的平均灰度值
算法改进：（GA与Otsu结合）
1、每个个体是8位2进制数
