遗传算法学习笔记（一）：常用的选择策略

简述

　　遗传算法(GA)是一种模拟生物进化自然选择过程的非确定性搜索方法，源于达尔文的进化论和孟德尔的遗传定律，由美国 Michigan 大学的 Holland教授在 20 世纪 70 年代首先提出。生物理论指出， 生物个体的各种生命表征是由许多基因共同决定的。同一种群的不同生物个体通常拥有不同的基因，因此对外在环境的适应能力也是不同的。 在自然选择的作用下，一部分环境适应能力较差的个体会死亡被淘汰，而环境适应能力较强的个体则更多地存活下来并繁衍后代， 因此比较适应环境的基因会有较大的概率流传到下一代。 一般情况下子代的平均适应力普遍强于父代。 在基因从父代传递到子代的过程中，一部分基因会因为变异而在子代中产生新的基因，这种变异是随机的，有可能增强子代个体的环境适应力，也有可能会降低子代个体的适应力。
　　遗传算法正是仿照上述理论，将一个问题的解空间编码，每一个编码代表一个个体，建立一个包含潜在的解的群体作为种群，在环境作用下通过选择(selection)、交叉(crossover)和变异(mutation)一代代繁衍，由于子代的环境适应力一般优于父代，因此算法最终能够得到问题的较优解。其中，编码中的每一位代表一个基因，环境作用由适应度函数模拟，适应度函数是判断某个解的优劣程度的函数，通常是目标函数本身或其修改形式。选择又称为选择算子，是指参照适应值函数，按照预先选定的策略随机从父代中挑选一些个体生存下来，剩下的个体则被淘汰。交叉是指仿照自然界基因传递的过程交配，对存活