遗传算法
一、遗传算法基本步骤
- step1：初始化种群
随机生成一个包含多个个体的初始种群，一个个体其实是一个可行解。设置初始的迭代次数 Iter，交叉概率 Pc 和变异概率Pm。 - step2：适应度评估
用适应度来评估每个个体的好坏，给个体打分。 - step3：选择
根据适应度选择个体进行繁殖，适应度高的个体被选择的概率更大。常用轮盘赌选择算法。 。
个体i被选择的概率 = 个体i的适应度 / 所有个体的适应度之和 - step4：交叉
随机选择两个个体进行交叉操作，生成N个新个体。 - step5：变异
随机选若干个个体的部分基因变异，引入多样性。包括二元变异、差分变异、高斯变异 - step6：替换
将新生成的N个个体加入到种群中，并保留部分优秀的老个体M个，形成新的种群共（N+M）个个体。 - step7:终止条件
判断是否满足终止条件，如达到最大迭代次数或适应度达到预设阈值。如果满足条件，则输出最佳解；否则，返回step2。
二、遗传模拟退火算法基本步骤
核心思想是通过模拟物理中的退火过程来寻找问题的最优解。在退火过程中，系统从一个高温状态开始，逐渐降低温度，直到达到零温度。在每个温度状态下，系统会随机地尝试新的状态，如果新状态的能量低于当前状态，则接受新状态；如果新状态的能量高于当前状态，则根据温度和能量差概率接受新状态。通过这种方式，算法可以逐渐逼近问题的最优解。
- step1：初始化
随机生成一个包含多个个体的初始种群，给每个个体设置初始温度。 - step-step4：不变
- step6：模拟退火
在当前个体的邻域中随机选择一个新的个体，计算它们的“能量差”（即适应度的差），如果新的个体更优，直接接受；如果更差，根据概率P接受，允许偶尔接受较差解以跳出局部最优。
逐渐降低温度，使搜索过程逐步收敛。 - step7：迭代过程
交叉变异和模拟退火优化后的个体形成新一代种群。重复step2-step6. - step7:终止条件同上
三、韩老师急救设施布局 优化算法
- step1：初始化种群
一个个体：表示一个完整的解决方案，包括所有医疗卫生用地的选择状态。
地块：在个体的表示中，每个地块对应一个位置，1表示选择该地块，0为不选择。 - step2：适应度评估
适应度函数：采用已选站点到到对应需求点的时间和，对个体进行评价，并记录当前最好个体。
- step3：选择
- step4：交叉操作和自监督机制
选择多个位置进行基因重组，引入自监督算子：已选站点到对应需要点的时间以置信概率P小于8分钟。
- step5：变异
对个体进行二进制变异（如将 0 变为 1 或 1 变为 0），以引入多样性；并引入自监督算子以增强局部搜索能力? - step6:迭代过程
评价个体适应度，并判断是否满足终止条件，若不满足，返回step3，若满足，则算法终止； - step7:终止条件
迭代直到找到最优解。
四、多目标遗传算法NSGA-II：同时优化多个目标，寻找一组帕累托最优解
- step2：适应度评估对每个个体计算多个目标的适应度值。
