遗传算法的基本原理

遗传算法即模拟自然界中种群优胜劣汰的过程，通过种群不断迭代之后找到最优解。其实现步骤可分为：编码、解码、个体适应度评估、复制、交叉、变异。
编码：
常见的编码方式为二进制编码，其目的是便于进行后续的复制、交叉、变异，也符合了计算机处理信息的原理。设某一参数的取值范围为（L，U），使用了k位二进制来编码此数，则它有2^k种编码方式，该参数的对应关系如下所示：

000……000=0---------L
000……001=1---------L+α
000……010=2---------L+2α
…………………………
111……111=2^k-1-----U

容易看出α=（U-L）/（2^k-1）。

解码：
即将编码的二进制数还原为十进制数。

个体适应度评估：
把x的值带入到目标函数得到个体适应度值，把所有个体的个体适应度求和得到适应度总和，将个体适应度与适应度总和相比得到个体被复制的概率，最后计算出个体被复制累计的概率。

复制：
采用轮盘赌法，转动轮盘n次（n为种群中个体的个数），每次选中一个个体保留到下一代。选择的依据是产生随机数，若数值落入t4~t5的复制累计概率，则选择t5作为下一代的个体。

交叉：
人为的设置交叉概率，概率乘以种群个体数量得到交叉的染色体的个数（若得到的是小数，则取小于该数的最大整数）。把每一个种群个体都随机产生一个随机数，小于交叉概率的染色体进行交叉。用随机数产生0~k（二进制编码位数）的随机数，作为染色体进行交叉的位数。

变异
人为的设置突变概率，种群个体数乘以k（得到种群个体所有基因的总数）乘以突变概率得到需要突变的染色体数量。种群内每个基因都随机产生0~1的随机数，把小于突变概率的基因选出进行突变。这里需要注意一个问题，如果第L个数产生的随机数小于突变概率，用L/k的结果表示突变染色体的位置，余数表示突变基因的位置。

至此，已经完成了种群的一次迭代过程。依次不断迭代，直到结果达到设定条件或者迭代次数达到设置得到最大迭代次数。

遗传算法使用总结：
大范围广度搜索-前期设置种群数量（随机样本）
小范围精度搜索-交叉、变异
有跳出局部最优的能力（突变）