遗传算法笔录

遗传算法学习笔录

本文为遗传算法个人学习记录，也是为了后面可以温习，内容比较简单，对于刚接触遗传算法的会很容易理解

遗传算法

遗传算法是基于达尔文的进化论，模拟了自然选择，物竞天择、适者生存，通过N代的遗传、变异、交叉、复制，进化出问题的最优解。下面就对各个环节进行一一叙述。

概念一、基因和染色体

遗传算法的运用，需要利用数学建模方法进行转化，比如满足问题一系列可行解便是染色体，而可行解中的元素便称为基因。比如说，对于如下函数而言，[1,2,3]、[1,3,2]、[3,2,1]均是这个函数的可行解（代进去成立即为可行解），那么这些可行解在遗传算法中均被称为染色体。

3x+4y+5z<100

概念二、适应度函数

适应度函数的作用，你可以将其理解为是针对众多染色体进行一个优劣判断，保留每一代优良的个体，淘汰一些环境适应度较差的个体（染色体）。对个体的好坏需要一个评判方式，在遗传算法中，这个评判方式就是适应度函数。
遗传算法在运行的过程中会进行N次迭代，每一次迭代都会生成若干个染色体。适应度函数会给本次迭代中生成的所有染色体打个分。来评判这些染色体的适应度，然后将适应度较低的染色体淘汰，保留适应度较高的染色体，从而经过若干次迭代，染色体的质量将越来越好。

概念三、交叉

对于每一次迭代生成的染色体，在