貌似遺傳演算法看起來挺神秘的，但要真正初步的了解一下它的大概思想還是挺簡單的。我只想用最通俗的話和最簡單的程式設計來講講遺傳演算法。
先來求解乙個最簡單的問題，求解f(x)=x*2的最大值 , x屬於[0,31]；即求解x的平方在[0,31]的最大值.現在我們用遺傳演算法來求解這個題目。
先解釋一下生物界的一些基礎知識：
1：染色體和基因，染色體可以理解為一段字串編碼，唯一的表示個體的特徵的，如1001，就表示乙個染色體，1，0，0，1這樣的就是基因
2：選擇，就是比較合適環境的個體生存下來，不合適環境的個體會被淘汰，
3：交叉，也就是繁殖，就是乙個個體遺傳父母的基因，有好基因，也有不好的基因，如下面
1001 1000
他們兩個個體第4位交叉後變為下面的
1000 1001
4：變異，也就是這個個體的基因會產生突變，如1001變為1000就是突變
現在我們可以做上面的題目了，我們要求[0,31]中x的平方最大值，按照遺傳演算法的邏輯，適者生存，即要讓計算機盡量選擇「適者」，排除「不適者」，在這個題目「適者」就是x的平方比較大的x值。當然首先要把x變成染色體，也就是編碼，編碼可以有很多種方式，最簡單的就是二進位制編碼。如31編碼為1111；
確定編碼規則後就可以按照下面的步驟來寫**了，總共有四步：
1：初始化
//遺傳演算法建構函式
public ga()
chromosome[i] = s;//這是初始化種群大小，即一開始有多少個體，我這裡選擇4個string array = new string[4];
} gcount = 0; //全域性變數，表示當前第幾代，先不用管
// print("初始化：");
}
初始化完了，我們有4個初始個體了，為了分析，假如我們隨機得到了下面四個染色體：
10010 11000 10101 00101
現在要根據這4個隨機的個體找到31這個最大的x值，便有了以下的三大步驟，即遺傳演算法的主要步驟：
2：選擇，從上面4個染色體中選擇
//選擇
void select()
} if(fitarray[max]>bestfit)
chromosome[min] = chromosome[max];
print("選擇後：");
}//求染色體x的適應度函式
double fit(string x)
我們根據染色體的適應度來選擇留下來的染色體，在我們上面的4個染色體中：
10010 11000 10101 00101
根據適應度函式x的平方,(11000)的平方最大，即適應度最大，(00101)的平方最小，即適應度最小，所以00101會淘汰，被替換成11000，因此，經過選擇步驟後，我們的染色體變成了
10010 11000 10101 11000
3:交叉
//交叉
void cross()
char cr = new char[4][5];
//隨機產生4個染色體中哪兩個需要交叉
int a = r.nextint(4);
int b = r.nextint(4);
for(int i=0;i<4;i++)
//隨機產生交叉的位置j和l，因為染色體為5位，所以值要小於5
int j = r.nextint(5);
int l = r.nextint(5);
if(l10010 11000 10101 11000
如果是第乙個和第三個染色體的第2位到第4位進行交叉，即上面**中（a=0,b=2,j=1,l=3）,交叉後得到
10100 11000 10011 11000
這是我們經過交叉後得到的結果，當然交叉不是每一次迭代都需要，還需要一定的概率，後面會說到。
4：變異
//變異
void variation()else
chromosome[i] = new string(c);
print("變異後：");
}
以常識來講，變異的操作概率更低，但假如我們這次發生了變異，還是用上面的資料：
10100 11000 10011 11000
如果是第四個染色體的第三位發生了變異，即會變為：
10100 11000 10011 11100
以上是所以一次迭代的操作，即一次生物繁殖的過程，當然，我們會經過很多次的迭代來最終得到31（即11111）這個最大值，如下
5：迭代求最終結果
public static void main(string args)
system.out.println("最好的適應度："+bestfit+" 最好的值；"+bestchromosome);
}
以下給出迭代開始和迭代結束的一些結果，僅供參考：
初始化：
01100
11000
01010
00110
選擇後：
01100
11000
01010
11000
交叉後：
01100
11000
01010
11000
第幾代..1
選擇後：
01100
11000
11000
11000
交叉後：
01000
11000
11000
11100
第幾代..2
選擇後：
11100
11000
11000
11100
交叉後：
11000
11000
11100
11100
變異後：
11000
11000
10100
11100
................................
選擇後：
11111
11111
11111
11111
交叉後：
11111
11111
11111
11111
第幾代..998
選擇後：
11111
11111
11111
11111
第幾代..999
選擇後：
11111
11111
11111
11111
交叉後：
11111
11111
11111
11111
第幾代..1000
最好的適應度：961.0 最好的值；11111
這樣我們就得到我們想要的值11111（即31）
有些人可能會疑惑，經過這些操作，為什麼能夠得到這個31最大值呢？理一下思路，一開始，計算機是隨機得到4個[0，31]的值，然後選擇操作會把x的值越來越推進最優解，但是這個是臨時的最優解，重新選擇四個個體：
10010 11000 10001 01001
這裡的最優解是11000，想象一下，如果一直只進行選擇操作，而不進行交叉和變異操作，最後的結果會是：
11000 11000 11000 11000
因為111000是這裡的最優，最後所有的不合適的解都會被11000給替換。交叉又起了什麼作用呢？假如在上面的四個個體中在進行選擇的同時也進行交叉操作，最後的結果會是：
11011 11011 11011 11011
還是得不到我們想要的值11111，為什麼會這樣呢？大家可以想象一下，因為在我們的染色體中，第三位都是0，第三位無論怎麼進行選擇和交叉操作，都不會變，這樣我們還是得不到我們想要的值，接下來是變異發揮作用的時候。相信大家都已經很明白了，因為變異也是隨機的，只要變異的次數夠多，總會把其中乙個染色體的第三位變成1，這樣再進行選擇，交叉操作的時候就能夠得到11111了。至於最後有關選擇，交叉，變異的範圍以及它怎麼影響到最後的結果我會在「
模式和遺傳演算法的搜尋機制」中講到，其中牽涉到模式和遺傳演算法的搜尋域問題。
遺傳演算法（1） 初步認識
最近學習了遺傳演算法，嘗試著把它按照理解寫下來。對於遺傳演算法從名字上就可以看出來是和生物有關的東西，可以認為是和生物進化有關係，在生物進化裡面又有一句話叫 物競天擇，適者生存。也就是說受環境的影響，最終會留下那些能適應環境的生物。如果從生物學裡面進行考慮可能會涉及到 一堆的概念名詞，如 染色體，個...
python遺傳演算法 Python 遺傳演算法實現
關於遺傳演算法 遺傳演算法是仿照自然界中生物進化而產生的一類優化演算法。個人感覺遺傳演算法簡單粗暴，適應性廣。關於遺傳演算法的介紹網上有很多了，這裡按照我自己的理解簡單概括一下。編碼解碼，將待優化的引數編碼為dna序列，最簡單直接的為二進位制編碼 即有兩種鹼基的dna鏈 生成隨機初代 選擇，適應度 ...
遺傳演算法 python 簡書 遺傳演算法
優化的演算法有很多種，從最基本的梯度下降法到現在的一些啟發式演算法，如遺傳演算法 ga 差分演化演算法 de 粒子群演算法 pso 和人工蜂群演算法 abc 舉乙個例子，遺傳演算法和梯度下降 梯度下降和遺傳演算法都是優化演算法，而梯度下降只是其中最基礎的那乙個，它依靠梯度與方向導數的關係計算出最優值...