遗传算法入门详解

csdn的第一篇博文介绍遗传算法入门，希望对刚刚学习遗传算法的同学能有所帮助。

下面是参考于维基百科对遗传算法的定义：遗传算法是一种解决最优化问题的启发式算法，借鉴了进化生物学的一些现象，其中包括遗传，突变，自然选择和杂交等。通俗来讲，遗传算法就是在一群问题的候选解中通过各种操作寻找最优解（或近似最优解）的过程，这个过程中用到了模拟生物遗传学的知识。

1. 遗传算法（Genetic algorithm  ，GA）的组成：

种群（population）：生物进化的最小单位，包含许多个个体。

个体（individual）：种群中的一个个体，含有某些基因片段。

基因（gene）：一个遗传变量

编码（encode）：讲个体描述成机器可以识别的模式（0，1字符串或者浮点数）

交叉（crossover）：两个被选中的个体，通过交叉生成两个新个体，替换原来的两个个体

变异（mutation）：对一个个体基因变异，生成新个体替换原来的老个体。

适应度（relative fitness）：个体对环境的适应能力，同样代表该个体的生命力。 

2. 遗传算法的思想：

遗传算法模拟生活中的遗传现象，类似于环境对生物的自然选择，优胜劣汰。我们用该个体的适应度（fitness）代表该个体对环境的适应能力，适应度高代表个体优秀，适应度低代表个体弱。我们通过适应度为基础对种群的个体进行概率选择，适应度高的个体被选中进入下一代的概率高，适应度低的个体被选中的概率低。那么随着下一代个体总体上比上一代个体更加优秀，最后选择出最优秀的个体作为最优解。

3. 遗传算法的基本步骤：

开始 BEGIN

初始化第0代种群 Initialization

评估初始种群中每个个体的适应度Evaluation

循环操作直到找到最优解或循环到终止条件While（obtain solution or termination）

种群进入下一代 generation＋＋

选择操作 Selection

交叉操作