遗传算法 基本思想

“适者生存”是自然界的一大规律，优胜劣汰，顾名思义，遗传算法可用来解决最优的问题。

遗传算法就是一个优胜劣汰的过程，最终选择出最好的群体。它的大致过程可以用下图表示：

对于我们待求解的问题，首先确定解空间，然后根据我们要求解的问题确定适应度函数。最终是选取适应度值大的留下来。适应度函数的选取是根据原问题来的，一种简单的方法，比如是要求f = x^2 在[0,31]上的最大值，那么适应度函数可以选择f = x^2 本身，但如果待求解的问题是求最小的一个最优问题，则适应度函数的选取应该针对原问题重新设置，因为适应度函数每次都是淘汰最小的，适应度值是我们的一个判断。

然后进行初始化，随机得到一个初始的种群，对整个种群进行计算，得到相应的各自的适应度值，判断此时是否达到最优，如果在解空间上达到最优了，则停止算法，输出结果。否则，要根据选择算子（比如轮盘赌方法、锦标赛方法等）去选择留下来的种群，对留下来的种群进行交叉或者变异，产生新的群体，计算新群体的适应度值，重新进行判断。如此迭代，直到在解空间中得到最优值。

以上是遗传算法的一个基本的思路，在选择初始的一个种群时，种群规模的大小会影响最终结果，种群规模大，计算量大，种群规模小，很难得到最优值。基本遗传算法有一个缺陷，就是“早熟”，即容易局部收敛，算法停止，得到的结果是错误的。因此选取哪种选择算子判断哪些群体留下来也是一个很重要的问题。迭代的过程有可能很漫长，那该如何去判断每次迭代是否达到最优，一种方法是设置迭代的次数，因为遗传算法是优胜劣汰，达到一定的迭代次数可以停止；另一种方法是，通过设置目标值，比较当前得到的结果与目标值之间的差距，设定一个阈值，小于这个阈值则表明已经达到想要的最优值，此时可以停止算法。当然，还有其他更好的判断算法，就不在这里再做描述，有兴趣的可以自行查阅下文献。