適應度函式(Fitness Function)的選取直接影響到遺傳算法的收斂速度以及能否找到最優解,因為遺傳算法在進化搜尋中基本不利用外部信息,僅以適應度函式為依據,利用種群每個個體的適應度來進行搜尋.因為適應度函式的複雜度是遺傳算法複雜度的主要組成部分,所以適應度函式的設計應儘可能簡單,使計算的時間複雜度最小。
基本介紹
- 中文名：適應度函式
- 外文名：Fitness Function
特點,作用,
特點
遺傳算法評價一個解的好壞不是取決於它的解的結構,而是取決於該解的適應度值,這正體現了遺傳算法“優勝劣汰”的特點.遺傳算法不需要適應度函式滿足連續可微等條件,唯一要求是針對輸入可計算出能加以比較的非負結果.這一特點使得遺傳算法具有廣泛的適用性.在實際問題中,適應度函式與問題的目標函式是不完全一致的,如有的問題的目標是要求得最小值(費用問題),而有的問題的目標是要求得最大值(利潤函式).因此在不少場合,將目標函式映射成求最大值形式而且函式值非負的適應度函式是必要的.
作用
在遺傳算法中,適應度是描述個體性能的主要指標.根據適應度的大小,對個體進行優勝劣汰.適應度是驅動遺傳算法的動力.從生物學角度講,適應度相當於“生存競爭、適者生存”的生物生存能力,在遺傳過程中具有重要意義.將最佳化問題的目標函式與個體的適應度建立映射關係,即可在群體進化過程中實現對最佳化問題目標函式的尋優.適應度函式也稱評價函式,是根據目標函式確定的用於區分群體中個體好壞的標準,總是非負的,任何情況下都希望它的值越大越好.在選擇操作中,會出現2個成為遺傳算法欺騙的問題:
1)在遺傳算法初期,通常會產生一些超常個體,按照比例選擇法,這些超常個體會因競爭力突出,而控制選擇過程,影響到算法的全局最佳化性能;
2)遺傳算法後期,當算法趨於收斂時,由於種群中個體適應度差異較小,繼續最佳化的潛能降低,可能獲得某個局部最優解.因此,如果適應度函式選擇不當就會產生以上的欺騙問題.可見適應度函式的選擇對於遺傳算法的意義重大.
