利用遗传算法求解区间[0,31]上的二次函数[img=50x26]180330c0354a16a.png[/img]的最大值，选取了四个个体，其二进制编码分别为：01101, 11000, 01000, 10011取适应度函数为[img=50x26]180330c0354a16a.png[/img]，则这四个个体的适应度为（ ）。
A: 13
B: 24
C: 8
D: 19
E: 31
A: 13
B: 24
C: 8
D: 19
E: 31
A,B,C,D
举一反三
- “轮盘赌算法”，赌盘算法的原理非常简单明了。创建赌盘时，我们将种群中所有个体的适应度求和，不妨将得到的结果称为总和适应度。然后，将每个个体的适应度除以总和适应度，然后将得到的商逐个累加，每加一次就得到赌盘的一个边界，累加完成后总和为1。如下的饼状图可以更形象的表明赌盘的原理： [img=425x246]180330bfd21834c.png[/img]则四个个体01101, 11000, 01000, 10011，适应度函数为[img=50x26]180330bfdab08ae.png[/img]，其中个体01000的适应度为（ ）。 A: 0.06 B: 0.14 C: 0.49 D: 0.31
- 下列各函数中，与函数[img=50x26]1803cfe3bcfadca.png[/img]为同一个函数的是 A: [img=66x29]1803cfe3c5cef8d.png[/img] B: [img=50x46]1803cfe3ce7f973.png[/img] C: [img=80x27]1803cfe3d7424a8.png[/img] D: y=x|x|
- 下列各函数中，与函数[img=50x26]1803cfe3bcfadca.png[/img]为同一个函数的是 未知类型：{'options': ['', '', '', 'y=x|x|'], 'type': 102}
- 设在区间[a,b]上，随机变量X的密度函数为[img=360x114]1803b3b6f6a5ee7.png[/img]，则区间[a,b]等于 A: [0,π] B: [0,π/2] C: [−π/2,0] D: [−π,0]
- 利用遗传算法求解最大化问题[img=148x21]1803473d55a25e6.jpg[/img]，个体采用二进制编码，编码长度为5，则该二进制编码的精度是 。 A: 1 B: 2 C: 3 D: 4
内容
- 0
以下有关遗传算法错误的说法是哪个？ A: 遗传算法是利用几种遗传算子不断提升种群的适应度，从而达到适应度的最优值。 B: 基因突变一定会产生更高适应度的种群个体。 C: 基因浮点编码的计算速度一般高于二进制编码。 D: 在函数优化问题中，适应度函数一般是与需要优化的函数对应的。
- 1
函数[img=50x26]1802e294fb6b50c.png[/img]在x=1,[img=83x23]1802e29503daf85.png[/img]处的微分dy为( ) A: 0.01 B: 0.02 C: 0.1 D: 0.2
- 2
函数[img=50x26]17de679ee806159.png[/img]在x=1,[img=83x23]17de9274b3ca477.png[/img]处的微分dy为( ) A: 0.01 B: 0.02 C: 0.1 D: 0.2
- 3
函数[img=50x26]17de679ee806159.png[/img]在x=1,[img=83x23]17de9274b3ca477.png[/img]处的微分dy为( ) A: 0.01 B: 0.02 C: 0.1 D: 0.2
- 4
函数[img=50x26]1802e2956d15768.png[/img]在x=1,[img=83x23]1802e2957568e6d.png[/img]处的微分dy为( ) A: 0.01 B: 0.02 C: 0.1 D: 0.2