起源（启发）：达尔文进化论 遗传 突变 杂交 自然选择（优胜劣汰），跟 神经网络算法一样属于智能优化算法，不是基于专家意见的。

基本流程：

所以，遗传算法基本步骤是：

1） 初始化 t←0进化代数计数器；T是最大进化代数；随机生成M个个体作为初始群体，记为P（t）；

2） 个体评价 计算P（t）中各个个体的适应度值；判断是否提前结束迭代

3） 选择运算 将选择算子作用于群体；

4） 交叉运算 将交叉算子作用于群体；

5） 变异运算 将变异算子作用于群体，并通过以上运算得到下一代群体P（t + 1）;

6） 终止条件判断 t≦T：t← t+1 转到步骤2；

t>T：终止 输出解。

 

举个糖炒栗子：

基于遗传算法的矩形检测：

  1. 传统的基于边缘检测的角度计算的矩形检测，抗干扰性能差
  2. 基于遗传检测可搜索全局最优，鲁棒性能好

     

    基本步骤

  3. 边缘检测 获取边缘空间
  4. 个体表达，选择库生成 基因是轴上的坐标，顺时针个体表达{(x1, y1), (x2, y2), (x3, y3), (x4,     y4)}
  5. 适应度函数

    假设l1、l2、l3、l4为组成个体I的四条边。对每条边l，检测其M个等距点    的存在。每条边的存在性由下面函数定量给出：

    其中dk是线段中实际接近边的点和预测的边缘点之间的距离，可以是欧式距    离，也可以是曼哈顿距离。假设∠1、∠2、∠3、∠4为组成个体I的四个夹    角，其接近90°的程度由其正弦值给出，正弦值的求得可以通过向量夹角的    余弦值计算获得。由此，定义适应度函数为：

    如果边l切实存在时，则R(l)=1；如果∠α是90°，则sin(∠α)=1。所以，    理想个体的适应度为1。

     

  6. 选择操作

    从群体中选择优胜个体，淘汰劣质个体的操作叫作选择操作

    交叉操作

    是把父代个体的部分基因加以替换重组生成新个体的操作，新生个体是否属    于样本空间，换成距离最近的样本点，判断是否满足四边形

    变异操作

    根据突变概率，随机从选择库中选择一个个体，然后随机选择该个体上的一    个基因(x, y)。随机生成一个突变向量(δx,δy)，则新基因为(x+δx, y+δy)。

     

    5. 重复选择、交叉（产生新个体放进样本空间就计算适应度）和变异操作（产生新个体就计算适应度）指定次数，选取优秀个体作为最终解。