ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部属和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。
2022-04-04 16:50:36
9.97MB
1
简单极致的旅行运动滑雪模板_旅游 旅行 红色 运动 滑雪.zip简单极致的旅行运动滑雪模板_旅游 旅行 红色 运动 滑雪.zip
2022-02-21 17:02:02
162KB
2.2 基本遗传算法
基本遗传算法(也称标准遗传算法或简单遗传算法，Simple Genetic Algorithm，SGA) 是一
种群体型操作，该操作以群体中的所有个体为对象，只使用基本遗传算子(Genetic Operator)：
选择算子(Selection Operator)、交叉算子(Crossover Operator)和变异算子(Mutation Operator)，其
遗传进化操作过程简单，容易理解，是其它一些遗传算法的基础，它不仅给各种遗传算法提供
了一个基本框架，同时也具有一定的应用价值。选择、交叉和变异是遗传算法 3 个主要操作算
子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法没有的特点。
2.2.1 基本遗传算法的数学模型
基本遗传算法可表示为：
),,,,,,,(
0
TΦMPECSGA =
(2.1)
式中：C ——个体的编码方法；
E ——个体适应度评价函数；
0
P ——初始种群；
M ——种群大小；
Φ——选择算子；
——交叉算子；
——变异算子；
T ——遗传运算终止条件。
图 2.3 为基本遗传算法的流程图。
2.2.2 基本遗传算法的步骤
1．染色体编码与解码
基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值
{0，1}所组成。初始群体中各个个体的基因可用均匀分布的随机数来生成。例如：
X=100111001000101101 就可表示一个个体，该个体的染色体长度是 n=18。
编码和初始种群的生成
种群中个体适应度的检测评估
选择
交叉
变异
图 2.3 遗传算法的基本流程图
2021-11-22 22:15:45
3.89MB
1