# 进化计算

**Repository Path**: hebugui/evolutionary-computation

## Basic Information

- **Project Name**: 进化计算
- **Description**: 进化计算作业
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-06-12
- **Last Updated**: 2023-06-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 进化计算

#### 介绍
进化计算作业

#### 说明
N维参数：传统的遗传算法只能对单个变量的目标函数进行最值求解，这极大局限了算法的应用面。为了解决这一点，本文将单个变量改为多变量。<br>
RPC算法：RPC算法源自于一篇论文《Rank and Proximity Based Crossover (RPC) to Improve Convergence in Genetic Search》，针对传统的遗传算法的交叉算子做了改进，本文实现了三种改进中的两种，分别是两个体交叉和三个体交叉。<br>
变长编码：传统的遗传算法的编码长度是固定的,这样的设计比较简单。但是也正是过于简单，容易产生一些问题。（1）无法动态调整搜索精度。<br>
二进制编码：针对原始遗传算法C++代码，使用python语言进行重构，以方便python项目的开发。<br>
工厂模式：传统的遗传算法不够灵活，只能解决一类问题，比如特定函数和特定编码。针对这一问题，我们将不同的遗传算法类用工厂模式聚合到一起。<br>
聚类算法：传统的遗传算法的由于没有生殖隔离，可能会导致存在多个最优解的问题求解过程忽略了其中的一些解，无法求得完整的解。针对这一问题，我们采用聚类算法，首先将问题空间划分为多个部分（多个种群），然后在每个种群上独立运行遗传算法，不同种群个体间不能交流，形成生殖隔离。<br>
实数编码：传统的编码方式为二进制，本文将对其改进为实数编码。主要有以下几个优点：（1）收敛速度快；（2）遗传算子更加灵活；（3）占用空间更小；<br>
梯度下降：传统的遗传算法容易陷入局部最优，采用梯度下降进行局部搜索可以有效改善这一点。传统遗传算法在搜索时，可能由于搜索步长过大，来回震荡，导致算法不稳定，梯度下降局部精细化搜索，也可以有效解决这一问题。<br>