基于遗传算法的最优化仿真（Java）

这篇文章是对遗传算法进行基本的介绍，并使用Java实现算法来解决一个类似寻找最优路径的问题。

---

问题描述

　　如图所示，在X轴上有5个点，分别为x1, x2, x3, x4, x5。这5个点的实际间距已知为L，但实际中由于测量误差的存在，每个点x1, x2, x3, x4, x5会有一系列如图中黑色圈内所示的测量点。那么如何在实际测量点中取值可以使得相邻位置的间距最接近L，问题可以描述为如下数学公式：
　　

$$F = min \sum|x_{i+1} - x_i - L| , 1≤i≤4$$

解决思路

　　通过查询资料发现，我要解决的问题和TSP问题（旅行商问题）很像。TSP问题中是预先给定数量已知位置固定的点，然后求得是旅行商人从任意一个点出发遍历所有的点（中间每个点只能经过一次）最后回到这个点时路径最短，具体可以参考维基百科旅行商问题。
　　我要解决问题的特点是点之间的间距固定，但每个点的位置上有n个测量点，我的最终目的是选择最优的测量点使得路径距离和4L之间的偏差最小，换言之也是使得路径的最短（只不过是与4L做差值之后最短），这就与TSP问题不谋而合了。虽然每个位置上有个n个测量点，但每次只从每个位置上取出一个测量点，这样就形成一条线路，然后计算路径间距，最后通过比较即可选择出最优的路径，这就和TSP问题求解的思路是一样的了。
　　但是如果遍历每个位置上的点来求所有的路线，这样当测量点数n比较大时计算量就相对很大了，所以就想到了用启发式搜索算法的方式来搜索最优解，最后使用遗传算法来解决这个问题。

遗传算法

　　遗传算法，顾名思义，可以联想到自然界种群繁衍、基因遗传的过程，实际上它也是借鉴进化生物学中的一些现象发展起来的（交叉，变异，选择以及遗传等等）维基百科遗传算法，是一种通过模拟生物进化过程搜索最优解的启发式搜索算法。
　　遗传算法的本质就是模仿自然界优胜劣汰、适者生存的过程。它往往从实际问题的解集出发通过一定的编码方式形成问题域中“基因”、“染色体”和“个体”的概念，进而确定初始种群（由一定数量的个体组成），然后根据问题域中的适应度函数（Fitness Function），通过一代代的选择（Selection）、交叉（Crossover）和变异（Mutation）等方式模拟这个种群的进化过程，最后逐渐进化出较好的个体（也就是解集中近似的最优解&