遗传算法

一、遗传算法介绍

1.基本概述

遗传算法的基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止。
2. 特点

遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为:

① 首先组成一组候选解

② 依据某些适应性条件测算这些候选解的适应度

③ 根据适应度保留某些候选解，放弃其他候选解

④ 对保留的候选解进行某些操作，生成新的候选解。

在遗传算法中，上述几个特征以一种特殊的方式组合在一起:基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。
3.基本流程

4.基本概念

遗传算法的基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止。
遗传算法所涉及到的基本概念主要有以下几个：
种群（Population）

种群是指用遗传算法求解问题时，初始给定的多个解的集合。遗传算法的求解过程是从这个子集开始的。
个体（Individual）

个体是指种群中的单个元素，它通常由一个用于描述其基本遗传结构的数据结构来表示。例如，可以用0、1组成的长度为l的串来表示个体。
染色体（Chromosome）

染色体是指对个体进行编码后所得到的编码串。染色体中的每1位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。
适应度（Fitness）函数

适应度函数是一种用来对种群中各个个体的环境适应性进行度量的函数。其函数值是遗传算法实现优胜劣汰的主要依据。
遗传操作（Genetic Operator）

遗传操作是指作用于种群而产生新的种群的操作。标准的遗传操作包括以下3种基本形式：
　　　　　　　– 选择（Selection）
　　　　　　　– 杂交（Crosssover）
　　　　　　　– 变异（Mutation）
二、代码分析