数学建模系列-优化模型（五）---遗传算法模型

什么是遗传算法？遗传算法和模拟退火可以说是数学建模系列中两个万金油的角色， 只要有一定的原理知识，我们就可以对其进行判断。

但是一般情况下给的分都不会特别高，毕竟数学建模比赛主要考察的还是对于数学基础的。

遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。

基因重组：
1.一半交叉：根据孟德尔的理论，将一般的基因链相互交换得出子代的基因链
2.中间交叉：将中间部分（）而非头尾的一半交换得出子代的基因
3.均匀交叉：相同的直接继承，不同的按照50%继承。

基因突变：
某些基因片段换成不同的形状

我们需要建立一个适应性函数来模拟自然选择。’

遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数（fitness function）来衡量这个解决方案的优劣。

一般用二进制编码直接解决
基因完成后，根据一个定好的共识算出它的性状

对性状进行适应性检验，低于某个值的按比例射杀。比例可以按照归一化后求比值来进行。高性状也有被射杀的概率。。

以下变异算子适用于二进制编码和浮点数编码的个体：
基本位变异（Simple Mutation）：对个体编码串中以变异概率、随机指定的某一位或某几位仅因座上的值做变异运算。
均匀变异（Uniform Mutation）：分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值。（特别适用于在算法的初级运行阶段）
边界变异（Boundary Mutation）：随机的取基因座上的两个对应边界基因值之一去替代原有基因值。特别适用于最优点位于或接近于可行解的边界时的一类问题。
非均匀变异：对原有的基因值做一随机扰动，以扰动后的结果作为变异后的新基因值。对每个基因座都以相同的概率进行变异运算之后，相当于整个解向量在解空间中作了一次轻微的变动。
高斯近似变异：进行变异操作时用符号均值为Ｐ的平均值，方差为P**2的正态分布的一个随机数来替换原有的基因值。

代码：

def F(x, y):
    return 3*(1-x)**2*np.exp(-(x**2)-(y+1)**2)- 10*(x/5 - x**3 - y**5)*np.exp(-x**2-y**2)- 1/3**np.exp(-(x+1