【算法基础】轮盘赌算法 轮盘选择算子

轮盘赌样子

轮盘赌作用

• 让适应度值大的个体，有更大概率，能被选择作为父代个体来生成新个体
• 常用在遗传算法的选择过程中
• 能避免陷入局部最优
• 每次的判断数都是随机的，使用该算法选择到个体的概率符合，各个体的适应度，和轮盘上概率分布一样

定义

又称比例选择方法，其基本思想：各个个体被选中的概率与其适应度大小成正比．

具体操作：
(1)计算出群体中每个个体的适应度f(i=1，2，…，M)，M为群体大小
(2)计算出每个个体被遗传到下一代群体中的概率

(3)计算出每个个体的累积概率

q[i]称为染色体x[i] (i=1, 2, …, n)的积累概率）

(4)在[0，1]区间内产生一个均匀分布的伪随机数r
(5)若r (6)重复(4)、(5)共M次

例1

右上边饼图不同颜色的区域，面积大小对应着不同的概率，面积越大，代表概率越大。假想把这张图打印到一张纸上，随机扔一把小米，落在3区域的小米相对来说数量最多。好了，现在我一粒一粒的扔，扔了10粒米（意味着只选了10个样本），假如5个落在3区域，3个落在1区域，1个落在4区域，1个落在5区域。

在应用中，比方说，7号米粒利用概率38%（因为落在了3号区域），8号米粒利用概率14%，9号米粒利用概率38%，10号米粒利用概率31%。
这样有什么好处？避免了所有的米粒都选择概率最大的区域3（所谓的最优值问题），换句话，各个概率（各种情况）都相应的被使用到了，避免了陷入局部最优的问题。

把概率整合到一条线上，然后随机产生数据a，a属于[0,1],比方说

这样，不同的数据对应不同的数据概率，并且整体上还保留了“区域概率越大，对应数据越多”这一分布！

例2

1. 产生初始种群

s1= 13 (01101)
s2= 24 (11000)
s3= 8 (01000)
s4= 19 (10011)

2. 计算适应度

假定适应度为f(s)=s^2 ，则
f (s1) = f(13) = 13^2 = 169
f (s2) = f(24) = 24^2 = 576
f (s3) = f(8) = 8^2 = 64
f (s4) = f(19) = 19^2 = 361

3. 选择

根据上面的式子，可得：

结果(用随机数的方式选择下一代父代)

例如设从区间［0, 1］中产生4个随机数:
r1 = 0.450126, r2 = 0.110347
r3 = 0.572496, r4 = 0.98503

下一代父代，选择的就是第0个、第1个。第4个

https://blog.csdn.net/u011125673/article/details/87895448
https://www.cnblogs.com/adelaide/articles/5679475.html