遗传算法（GA）干货

遗传算法其实是一种优化算法，对于不可解析的问题，传统的优化方法如：共轭梯度法、拟牛顿法、单纯形法都是局部优化方法，而遗传算法是一种全局优化算法，与其类似的还有随机漫步、模拟退火等算法。


原理：
仿生思想：可行解的逐步优化--染色体的优胜劣汰
可行解--染色体（可行解得到的目标函数值--染色体的适应值）
可行解的基--染色体的基因
对于染色体基因的操作：
1、选择；2、交换；3、变异。
染色体即一串二进制编码， 基因基即编码中的一位
初始，随机产生一定数量的染色体，称为初始种群
选择，计算各染色体的适应度，适应度越大，被选择的概率越高，被选择的染色体进行复制，
交换，两个染色体互换基因，即交换部分位的编码
变异，染色体的部分编码变化，最常见的即取反（1--0， 0--1）


如此重复，最后即逐渐收敛到最优解。


重要参数：
种群规模，即染色体个数
交叉率，即参与交叉的染色体的比例
变异率，即参与变异的基金的比例


步骤总结：
寻找合适的编码方式，将可行解表示为一串二进制代码
寻找合适的适应度函数，评价染色体对应的可行解的目标函数值
指定N个初始可行解，即N个染色体，构成初始种群S0；
计算适应度函数值，按照适应度越大，选择概率越大的原则，从中有放回挑出N个染色体， 组成种群S1；
按照指定的比例，从S1种群中，挑出部分染色体，两两一组，随机选择某位，断开，交换，组成新的染色体，替换原有染色体，组成种群S2。
按照指定比例，从上步种群中，挑出部分染色体， 选择其中某位， 变异，然后放回，组成种群S3；
重复上述步骤，直至达到约定的迭代次数。
结束时，适应度最大的染色体，解码得到最优解