一张图解释什么是遗传算法_遗传算法解释及代码(一看就懂)

遗传算法

( GA , Genetic Algorithm )

，也称进化算法

。

遗传算法是受达尔文的

进化论的启发，

借鉴生物进化过程而提出的一种启发式搜索算法。

因此在介绍遗

传算法前有必要简单的介绍生物进化知识。

一

.

进化论知识

作为遗传算法生物背景的介绍，下面内容了解即可：

种群

(Population)

：

生物的进化以群体的形式进行，这样的一个群体称为种

群。

个体

：组成种群的单个生物。

基因

( Gene )

：

一个遗传因子。

染色体

( Chromosome )

：包含一组的基因。

生存竞争，

适者生存

：

对环境适应度高的、

牛

B

的个体参与繁殖的机会比较

多，

后代就会越来越多。

适应度低的个体参与繁殖的机会比较少，

后代就会越来

越少。

遗传与变异

：

新个体会遗传父母双方各一部分的基因，

同时有一定的概率发

生基因变异。

简单说来就是：繁殖过程，会发生基因交叉

( Crossover )

，基因突变

( Mutation )

，适应度

( Fitness )

低的个体会被逐步淘汰，而适应度高的个体会越

来越多。那么经过

N

代的自然选择后，保存下来的个体都是适应度很高的，其

中很可能包含史上产生的适应度最高的那个个体。

二

.

遗传算法思想

借鉴生物进化论，

遗传算法将要解决的问题模拟成一个生物进化的过程，

通

过复制、

交叉、

突变等操作产生下一代的解，

并逐步淘汰掉适应度函数值低的解，

增加适应度函数值高的解。这样进化

N

代后就很有可能会进化出适应度函数值

很高的个体。

举个例子，

使用遗传算法解决

“0

-1

背包问题

”

的思路：

0-1

背包的解可以编码

为一串

0-1

字符串(

0

：不取，

1

：取)

；首先，随机产生

M

个

0-1

字符串，然

后评价这些

0-1

字符串作为

0-1

背包问题的解的优劣；然后，随机选择一些字符

串通过交叉、突变等操作产生下一代的

M

个字符串，而且较优的解被选中的概