经典遗传算法(Canonical GA)笔记(1)

今天写一点关于遗传算法的笔记和自己通俗的理解，供以后复习回顾。若有错误欢迎指正。

遗传算法的思想

遗传算法，顾名思义是类比生物学中遗传的思想得到的算法。通过种群中优秀父代的基因交流，加上一定概率的基因突变而产生子代，并循环迭代下去，产生一代一代的新种群，最终经过一定数量的迭代之后，最后种群中最优秀的个体，近似可以看作问题的最优解。
遗传算法需要经过以下几个步骤，后文会详细介绍每个部分的思想和方法。

1. 基因编码(encoding)
2. 生成初代种群(initializing)
3. 评估种群中每个个体的适应度(fitness)
4. 选择父辈(parents)
5. 组合交叉(crossover)和基因突变(mutation)
6. 生成子代(offsprings)
7. 迭代，重复3-6，直到达到设定的循环次数
8. 选择最优解，并解码

详细算法过程

1.基因编码和解码

和生物的染色体(chromosome)一样，我们要对算法里的每一个个体的基因进行编码，这样才能够在后面进行基因交流，基因突变等操作。编码的方法有很多种，常见的有二进制编码，顺序编码等等。
（1）二进制编码：和单片机的ADC一样，首先设置基因有n个bits，比如是8位的基因，那它就是一个8位的二进制数，每一位是0或1，如 0100 1100。一共会有2⁸=256种可能性，他将可行域分成256个等份，特定的二进制数和特定的实际值一一对应。
例如：在区间 $[-5,5]$ 上寻找 $f(x)$ 的最小值对应的 $x$，基因是8位，那么随机生成$x=3.4$所对应的基因就是:
x = 3.4 c o d e = f l o o r ( 3.4 − ( − 5 ) 5 − ( − 5 ) ∗ 256 ) = f l o o r ( 215.04 )   = (