本文目录一览：
遗传算法伪代码是什么?
以下是遗传算法的伪代码。 BEGIN: I = 0; //进化种群代数 Initialize P(I); //初始化种群 Fitness P(I); //“适者生存”遗传选择 While(not Terminate-Condition) //不满足终止条件时，循环 { I ++; //循环 GA-Operation P(I); //遗传算法运算or操作 Fitness P(I); //“适者生存”遗传选择 } END. //结束算法 希望对你有所帮助！
什么是遗传算法?
遗传算法最早是由美国的John holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色基因的交叉、变异等过程。
遗传算法种群规模怎么选取?
遗传算法种群规模首先遗传具有普遍性那么选择种群规模一定要大，而且要不同层次进行选取才能体现算法的准确性。
遗传算法用哪个计算?
遗传算法，退火算法 ，神经网络算法,贪心算法，都属于数学计算方法范畴。到底它们属于启发式算法还是智能计算，尚无标准的统一的定义。神经网络的研究有许多地方涉及到全局最优化计算问题。但是在寻优过程中往往导致局部极限或收敛速度慢。为此采用退火算法（确切是模拟退火算法）或遗传算法加以改进。因为这些算法建立的仿真模型可应用于模式识别、图象处理、控制、优化、预测等等，能够模仿人脑结构以及对信息的记忆和处理功能，具有一定的人类智能，所以有的书上认为这些算法是智能计算。不过，人工神经网络只是对大脑的粗略而简单的模仿，与人的智能差得很远，而且神经网络算法实质是解决一种非线性问题算法，因而在实际研究中不把神经网络算法看作智能计算，而认为只是启发式的一种算法。至于贪心算法是梯度下降优化的一种算法，遗传算法是模仿生物进化过程的一种寻优算法。
蚁群算法与遗传算法的区别?
都属于智能优化算法但是蚁群算法具有一定的记忆性，遗传算法没有蚁群算法有几种原则，比如觅食原则，避障原则等，遗传算法没有蚁群算法属于群智能优化算法，具有并行性，每个粒子都可以主动寻优，遗传算法不行蚁群算法基于信息素在环境中的指示，遗传算法是基于优胜劣汰的生物进化思想遗传算法有选择，交叉，变异三种算子，每种算子又有各自的不同方法，通过对算子方法的修改和搭配，可以得到不同的改进遗传算法蚁群算法则多和其他智能算法相结合，得到改进的蚁群算法