优化算法（二）—— 遗传算法(GA算法)

遗传算法，Genetic Algorithm ，GA 

遗传算法也称进化算法、进化理论 ，是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。

 

用遗传算法实现的几个例子

马里奥 https://www.youtube.com/watch?v=qv6UVOQ0F44

自动驾驶https://www.youtube.com/watch?v=5lJuEW-5vr8&t=109s

微生物进化https://www.youtube.com/watch?v=2kupe2ZKK58

 

 

       我们都学过自然选择理论，生物的繁殖进化过程，会发生基因交叉( Crossover ) ，基因突变 ( Mutation ) 。适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

 

 

        借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。

       举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取） ；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。

 

遗传算法有3个最基本的操作：选择，交叉，变异

 

 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。所以从一个基因组到其解的适应度形成一个映射。可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。可以这样想象，这个多维曲面里面有数不清的“山峰”，而这些山峰所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。（另外，值得注意的是遗传算法不一定要找“最高的山峰”，如果问题的适应度评价越小越好的话，那么全局最优解就是函数的最小值，对应的，遗传算法所要找的就是“最深的谷底”）
 

 

用一句话来概括遗传算法：在程序里生宝宝，杀死不乖的宝宝，让乖宝宝继续生宝宝

 

 

代码实现可参考：

https://blog.csdn.net/m0_38101326/article/details/90642193

https://blog.csdn.net/ha_ha_ha233/article/details/91364937?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159412382819195264553483%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=159412382819195264553483&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-4-91364937.ecpm_v3_rank_business_v1&utm_term=%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95