简述遗传算法

基本原理

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。在利用遗传算法求解问题时，问题的每一个可能解都被编码成一个“染色体”，即个体，若干个个体构成了群体(所有可能解)。在遗传算法开始时，随机的产生一些个体(即初始解)，根据预定的目标函数对每一个个体进行评估，给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代，选择操作体现了“适者生存”，“好”的个体被用来产生下一代，“坏”的个体被淘汰，选择出来的个体经过交叉和变异算子进行再组合生成新的一代，新一代个体继承了上一代的一些优良性状，因此在性能上要优于上一代，这样逐步朝着最优解的方向进化。

执行步骤

1、初始化：设置进化代数计数器t=0，最大进化代数为T，随机生成M个个体作为初始群体P(0)。
2、个体评价：计算群体P(t)中各个个体的适应度。
3、选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
4、交叉运算：将交叉算子作用于群体。
5、变异运算：将变异算子作用于群体。即对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
6、终止条件判断：若t=T, 则终止计算，以进化过程中所得到的具有最大适应度个体作为最优解输出。