遗传算法简介

本文为《遗传算法原理及应用》绪论 学习总结

一、遗传算法的生物学基础

遗传算法是根据生物遗传的原理而产生的一类算法，我们了解遗传算法前首先要理解有关遗传的生物学基础，这一部分相信大家在高中生物中多少有一定的了解了，因此我简要介绍一下相关知识：

生物在将自己的基因遗传给下一代时，两个同源染色体之间通过交叉而重组，就是高中说的交叉互换。

变异即基因突变。

生物进化是以种群为单位的，这个种群称为群体，群体中的单个生物称为个体。

二、遗传算法简介

在介绍了相关基础后，我们来介绍遗传算法概要：

下图为最优化问题的可行解及可行解集合：

其中可行解集合对应群体，可行解对应个体，最优化问题即求解群体中的最优个体。

我们求解最优解或近似最优解的方法有三种：

1. 枚举法：枚举法是枚举出所有可行解。若为连续函数则需要进行离散化，但缺点是可能产生离散误差而无法求得最优解；
2. 启发式算法：需要根据特定的问题找出启发式规则，算法不具有通用性，但求解效率较高；
3. 搜索算法：分为局部搜索和全局搜索。其中局部搜索的代表算法为爬山算法，我们这本书教授的遗传算法则为全局搜索。

接下来我们直接给出遗传算法的流程图，然后对其进行解释：

首先对种群 $P(t)$ 进行编码便于计算机处理。在种群 $P(t)$ 进化的过程中，我们使用遗传算子得到 $P(t+1)$ ，然后进行解码得到解集合，然后做出个体评价进行优胜劣汰，最后得到新群体。以此不断循环，我们通常对循环次数进行控制。

接下来解释图中每部分的说明：

首先是遗传算子，我们通常进行 3 个遗传操作产生新群体：

1. 选择：根据个体适应度，对个体进行优胜劣汰；
2. 交叉：我们模仿细胞中的染色体交叉互换过程，对个体的部分染色体进行交换；
3. 变异：以某一概率产生基因突变，突变可以是一个或多个基因。

在对遗传算法进行了简单介绍后，我们尝试手动模