【遗传算法】遗传算法介绍

参考：遗传算法简述
遗传算法（Genetic Algorithm，简称GA）是一种自适应随机搜索启发式算法。广泛应用于复杂函数系统优化、机器学习、系统识别、故障诊断、分类系统、控制器设计、神经网络设计、自适应滤波器设计等

相关概念

问题编码

遗传算法对被优化的参数（个体）进行编码，并以编码方式运算。
编码目的：将优化问题变成组合问题。
遗传算法的搜索空间：连续空间和离散空间

1. 离散遗传算法
   个体编码常用有限长二进制编码，便于建立数学模型
2. 连续遗传算法
   个体有整数编码和实数编码（精度更高）。

适应度函数

适应值是用来区分群体中个体（问题的解）的好坏。基于适应值对个体进行选择，以保证适应值好的个体有机会在下一代中产生更多的子个体。在使用GA求解具体问题时，适应值函数的选择对算法的收敛性以及收敛速度的影响较大。

遗传算法的三个算子

1、选择算子

大量事实证明改进选择过程的方法可以提高遗传算法的性能，而选择过程不是唯一的.常用的选择方法有：精华选择、重组选择、均分选择、适应性调整线性排序、比例选择、自适应选择等。选择是一个重要过程，因为选择不当，容易失去许多重要的个体，从而影响算法的收敛性 。

2、交叉算子

交叉是两个染色体个体之间随机交换信息的一种操作。当两个个体之间进行杂交操作时，由于杂交通过个体传播可以发生模式的破坏作用，因此研究杂交技术对减少杂交的破坏作用具有重要意义.常用的杂交技术有：一点杂交、二点杂交、均匀杂交、多点杂交、启发式杂交、顺序杂交、混合杂交等。

3、变异算子

变异操作是为了在运算过程中能改变某些成员的值，以避免失去一些有用的基因，防止某些成员的值处于不变状态，是种防止算法早熟的措施。Pots等总结了3种变异技术：管理变异、变化的变异概率和单值运算。考虑将被优化函数的梯度或一阶差分引入到十进制实数编码的GA变异算子中，实现了定向变异。为克服传统变异算子不能有效地保持同一基因位上等位基因的多样性，提出用二元变异算子代替传统的变异算子。

遗传算法流程

染色体编码。根据问题的特点选择编码方式将要求解的问题转化。
初始种群的产生。遗传算法的初始种群通常是随机产生的，它是算法开始运行时的一组染色体。
确定适应度函数，得出各个染色体的适应度值。遗传算法根据适应度值判断哪个染色体遗传到后代。
根据适应度值执行选择操作。
按照交叉概率执行交叉操作。
按照变异概率执行变异操作。
算法的终止准则。根据算法的终止准则来决定算法是结束输出结果还是继续跳转运行。