遗传算法入门&python实现

遗传算法是一种比较有（xuan）效（xue）的最优化的方法，下面贴上python的实现代码。本文在具体的概念上将不作涉及，而是尝试讲解遗传算法怎么与具体的问题相结合。

我们以在一个整数区间内寻找一个函数的最大值作为例子，代码中的函数是随便写的。

首先需要确定的是我们的适应度函数到底是什么，即如何衡量种群中每个个体的生存能力。在这里，适应度函数即是我们要求解的函数，每个个体代入所得的函数值即为其生存能力。

#适应度函数
def sol(x):
    return 10+np.exp(x)/1000-4*(x-23)**2

之后把需要确定的一些超参数定义好

同时这里也要想好我们所求解问题与个体基因信息的关系到底是怎样的。比如我们现在求的是[0,31]整数区间内该函数的最大值，那么种群中每个个体所代表的就应该是该区间内的一个整数，并通过代入到sol(x)中计算其适应度。进一步地，我们可以用5位二进制数的形式表示该区间内的所有整数，那么每个个体的基因就可以表示为一个长度为5的0,1数组。在其他更为实际的问题中，这种相对直观并且便利的对应关系更加难找一些。

#用二进制编码存储每一代的信息，遗传算法的一些超参数
iter_num=100  #终止的迭代数
indv_num=10  #每一代个体数量
indv_info=5  #每个个体的基因长度
individuals=getfirstgeneration(indv_num,indv_info) #存储当前种群的基因信息
parents_num=2  #选择父母的对数，小于总数一半
cross_prob=0.8  #交叉概率
mute_prob