algorithm - 比较遗传算法(GA)的结构和粒子群优化(PSO)的结构

Question

当我们比较遗传算法（GA）和粒子群优化（PSO）的结构时，可以说：
遗传算法中的种群=粒子群算法中的种群。
遗传算法中的染色体（势解）等于粒子群优化算法中的粒子（势解）。
遗传算法中染色体的基因=粒子群算法中粒子的坐标。

Answer 1

因为你必须知道遗传算法和粒子群算法都属于进化计算。这两种进化启发式算法都是基于种群的搜索方法。
好像，我们考虑了原始遗传算法的情况（这里我甚至没有讨论稍微修改的遗传算法）它受到遗传和进化原理的启发，模仿在生物种群或环境中观察到的繁殖行为它遵循“适者生存”的原则，选择和产生适应环境或约束的后代。但是，如果我们谈论pso。它的灵感来源于在鱼群和鸟群中观察到的行为。他们如何利用外部的刺激反应或行为（以健身功能达到最大值或最小值），利用他们的认知和集体力量？
粒子群算法被认为是对遗传算法的改进，因为它计算期望结果的时间更短。然而，由于易于实现和理解，ga仍然被许多人和公司使用。
现在，让我们讨论一下你的问题：
遗传算法中的种群=粒子群算法中的种群？
我想答案是肯定的，但并不总是。因为有些情况下，我们不能直接用粒子群算法来表示种群，但我们可以用遗传算法来表示种群。例如，如果我们考虑离散向量表示，那么我们可以很容易地使用遗传算法，但在将向量输入粒子群算法之前，我们需要做一些修改。
遗传算法中的染色体（势解）和粒子群优化算法中的粒子（势解）？
也许，你是对的。但让我提醒你为什么我们使用电子商务技术因为，问题的可能解决方案的数量（使用EC技术解决）通常具有大量的状态空间而且，我们只考虑它的一小部分作为我们的产出或结果。因此，即使我们达到了所需的基准，我们也不能确定结果是否匹配。
遗传算法中染色体的基因=粒子群算法中粒子的坐标？
As，我们都知道遗传算法本质上是用来评估离散向量表示的，其中As，PSO在具有连续变量的无约束问题上表现最好由于原始粒子群算法对局部极大值或极小值不太免疫。因此，在约束条件下有时会出现早熟收敛这在遗传病中很少见到（由于突变）所以，我会说不。遗传算法中染色体的基因并不总是粒子群中粒子的坐标。
编辑：
你能给我举个简单的例子吗？“…在将矢量输入PSO算法之前，我们需要做一些修改。”
因为我已经告诉过你们，遗传算法天生就是为离散计算而设计的，而粒子群优化算法在连续变量的情况下效果更好让我们考虑一个案子。在这里，我们得到了一系列0和1字符串我们要满足给定的适应度函数来终止循环。众所周知，f(x)和0是两个离散的数字。因此，在应用交叉或变异（在遗传算法的情况下）我们将得到离散输出之后，我们将把这个输出输入fitness函数来检查它的强度如果它能在f（x）中存活下来，那么我们将把这个输出推到下一代。
但对于粒子群优化算法，我们通常考虑位置向量或0和1的字符串，以及速度向量或将数改变为相反数的概率（意味着将1改变为0的概率，反之亦然）现在，假设将值1更改为0的概率为1，0.6更改为1的概率为0。然后应用概率分布，我们将得到一个过渡状态，该状态在某种程度上保持0.3或0。换句话说，即将到来的状态将包含1和0之间的值，这本身是不正确的。而且，因为我们只期待离散的数字因此，我们必须设置一些基准，比如-below1将是0.5（零），below0将是0.5（一），现在这个基准或修改后的输出将用作下一代的输入。