遺傳算法，雜交概率是什么？

交叉分數是指從所有當前親本中選擇一定數量的親本進行雜交。

如果雜交概率為0.8，群體數為100，則選擇100*0.880個親本進行雜交。這個值可以隨意調整，直到滿意為止。

遺傳育種的主要方法？

遺傳育種

菌種改良是利用遺傳學原理和技術，對具有特定生產目的的菌種進行改造，去除不良性狀，添加有益的新性狀，從而獲得所需的高產、優質、低耗的菌種，提高產品產量和質量的育種方法，其目的是改良菌種的特性，使之滿足工業化生產的要求。

遺傳算法二進制編碼問題：二進制編碼的位數是如何確定的？

試試這個公式，用于解碼。至于你說的位數，我可以舉個例子。比如[0，1]，千分之一的精度相當于離散1000個點，2的10次方是1024，2的9次方是512。這時候你可以取10位數，把二進制中1001點的變化全部包。

遺傳算法適應度計算？

適合度計算是評估個人適應環境的能力，這在選擇操作中經常用到。它的選取是否恰當直接影響到遺傳算法的性能，因此形成了許多適應度計算函數。改進這些適應度函數的目的是使適應度更好地反映個體的優劣，從而淘汰適應度低的個體，保留適應度高的個體。自適應適應度函數可以隨著種群代數的增加而自適應調整。

在算法初始階段，適應度差異較大。為了防止一些適應度不好的個體一開始就輸了，可以通過改變適應度函數來保存。另外，當種群趨于收斂時，適應度差異很小。此時為了加快收斂，要調整適應度，增加個體適應度差異，以便更快地收斂到全局最優解。常用的適應度變換方法有線性變換、冪函數變換和指數變換。

為什么要用遺傳算法？

遺傳算法已經在許多領域得到了應用。從神經網絡研究的角度來看，最受關注的是遺傳算法在神經網絡中的應用。

在遺傳算法的應用中，首先要明確它的特點和關鍵問題，這樣才能深入理解這種算法，靈活應用，進一步研究和發展。一、遺傳算法的特點

1.遺傳算法是從問題解的中間集合出發，而不是從單個解出發。這是遺傳算法與傳統優化算法的一個巨大區別。傳統的優化算法從單個初始值迭代尋找最優解；很容易陷入局部最優解。遺傳算法從字符串集合出發，覆蓋面大，有利于全局優化。

2.遺傳算法很容易形成一個通用的算法程序，因為它使用的關于具體問題的信息很少。因為遺傳算法利用適應度值的信息進行搜索，所以不是必須的。問題的衍生信息以及與問題直接相關的其他信息。遺傳算法只需要適應數值、字符串編碼等一般信息，因此幾乎可以處理任何問題。

3.遺傳算法具有很強的容錯性。遺傳算法的初始串集本身就包含了大量遠離最優解的信息。通過選擇、交叉和變異操作，可以快速消除與最優解相差很大的字符串。這是一個強過濾過程；它是一種并行過濾機制。因此，遺傳算法具有很高的容錯性。

4.遺傳算法中的選擇、交叉和變異都是隨機操作，沒有確定的精確規則。這說明遺傳算法采用隨機方法搜索最優解，選擇體現了接近最優解，交叉體現了生成最優解，變異體現了覆蓋全局最優解。

5.遺傳算法具有隱式并行性。