遗传算法求解最优值

1、遗传算法介绍

遗传算法，模拟进化论的自然选择和生物进化构成的计算模型，一种不断选择优良个体的算法。谈到遗传，想想自然界动物遗传是怎么来的，自然主要过程包括染色体的选择，交叉，变异，这些操作后，保证了以后的个基本上是最优的，那么以后再继续迭代这样下去，就可以一直最优了。

2、解决的问题

遗传算法能解决的问题很多了，但是遗传算法主要还是解决优化类问题，尤其是那种不能直接解出来的很复杂的问题，而实际情况通常也是这样的。

本部分主要为了了解遗传算法的应用，选择一个复杂的二维函数来进行遗传算法优化，函数显示为y=10*sin(5*x)+7*abs(x-5)+10,这个函数图像为：

当然函数你还可以任意假设和编写，只要符合就可以。要求它的最大值（这个貌似可以，很容易写出来----如果再复杂一点估计就不行了）       这类问题如果用遗传算法或者其他优化方法就很简单，举个例子吧，我把x等分成100万份，再一下子都带值进去算，求出对应的100万个y的值，再比较他们的大小找到最大值不就可以了吗，很笨吧，人算是不可能的，但是计算机可以。遗传算法也是很笨的一个个搜索，只不过家里一点什么了，就是人为的给它算的方向和策略，让它有目的的算，这也就是算法了。

3、如何开始？

首先是选择个体了。遗传算法中有多个个体，这样相互结合的机会才多，产生的后代才会多种多样，才会有更好的优良基因，有利于种群的发展。那么算法也是如此，当然个体多少是个问题，一般来说20-100之间我觉得差不多了。那么个体究竟是什么呢？在我们这个问题中自然就是x值了。其他情况下，个体就是所求问题的变量，这里我们假设个体数选100个，也就是开始选100个不同的x值，不明白的话就假设是100个猴子吧。好了，现在有了100个猴子组成的一个种群，那么这个种群应该怎么发展才能越来越好？说到这，我们想想，如何定义这个越来越好呢？这个应该有一个评价指标吧。在我们的这个问题中，好像是对应的y值越大越好是吧。我们甚至可以给他们拍个名来决定哪些好哪些不好。我们把这个叫做对于个体的适应度，这应该算是算法的后半部分才对。

4、编码

首先明白什么是编码？为什么要编码？如何编码？

好，什么是编码？其实编码就是把自变量（x）换一下形式而已，转换为计算机能够识别的方式，在这个形式下，更容易操作其他过程（比如交叉，变异什么的）而已。一般的编码都是二进制编码，自然数编码，矩阵编码等等，二用的最多的可以说是二进制编码，感觉这和人体DNA，基因的排列很相似。想想DNA怎么排的？不就是在两条长链上一对一排的吗？那么什么是二进制编码？很简单，就是1,0,1,0对应的来回组合排列而已。比如：1100100010, 0011001001等等，这些都是位数长度为10的二进制编码。那么就又来一个问题，怎样去扩大这个精度呢？如果要保持0-5不变的话，只能增加位数了，把9位编码编程10位，20位，100位，哇，够大了吧，变成100个0,1组合，很恐怖吧，事实上，究竟是多少要视情况而定，一般20位左右感觉就可以了，虽然说越大越好，但是太大了消耗内存，速度慢了，不值。

5、关于交叉与变异

基因发生突变就叫变异，有了编码的概念，那就在编码基础上来说变异（某一位编码变了）。最简单的变异是单个点的变异。现在以10位长的编码来说，比如把x=3编码一下，随便假设为11000 10010吧，好了，在变异操作时，假设第5位变异了（0变1· 1变0），那么这个时候变成什么了？那肯定不是3了，是多少是肯定可以反算回去的，这里懒得算了，就假设为3.213吧，发没发现，这样一来，x是不是变了？既然变了就好啊，带到原函数（适应度函数）里面比较这两个x值对应的哪个y值大一写，如果后面变异后的大一些是不是就是说产生了好的变异啊，就可以在下一次个体选择的时候选择它了。那么想想很多x来一起变异会怎么样呢？肯定会生成很多很多的解吧，反复这么做会怎么样呢？只要每次都保留最优解的话，我来个循环100万次，也总能找到解吧，当然这么多次得花多久，也不太合适，这还只是一个点位在进行变异，若果每次我让多个点位变异呢？哇，又不可思议了，变化更大了吧。当然，变异不止如此，更多的去看专业的论文吧。知道了变异是干什么的，剩下的都好说了，好了，这还是变异，想想自然界遗传中除了变异还有什么？交叉吧，那么交叉