第一次聽說遺傳演算法是在高三晚上放學回家的路上，同行的小夥伴問我：你知道遺傳演算法麼？我自然沒聽說過，於是追問細節。
「聽說遺傳演算法能夠自我迭代，讓他本身系統內的東西進行優勝劣汰的自然選擇，把好的保留下來，次一點的東西就排除掉。是不是特別像人工智慧的那種感覺？」
這麼高階的麼？那時候我就對這個演算法產生了一點興趣，畢竟乙個演算法是如何做到自我判斷什麼是好什麼是壞。
因為如此，在我接觸到程式設計以後，我終於有能力去深入研究一下遺傳演算法了。最後覺得，其實這個演算法也沒有當初想得那麼玄乎。
當初年輕不懂事時，對未知的事物有著天然的好奇，自然會把遺傳演算法想的無限大，甚至認為可以自我淘汰不好的**，學習優秀的**等。
其實現在再看過來，遺傳演算法的本質始終沒變，依舊是優勝劣汰，選出最優秀的個體。只不過它的作用被我規劃成了「求乙個系統/模型的最優解」。
顧名思義，學過高中生物的都應該可以理解「遺傳」是什麼，染色體變異、染色體交叉等術語應該也能夠大概知道是什麼意思。其實遺傳演算法主要就是模擬這乙個過程。
不過我也不是專業搞生物的，高中的知識細節部分我早都忘光了，因此拋開其他的，接下來我用我的理解來定義一下遺傳演算法的過程。
遺傳演算法四個基礎概念
遺傳演算法中，乙個基本單位為「個體」，乙個種群（系統）中擁有好多個體。每個個體攜帶兩個內容：染色體與適應度。
為了形象起見，我們可以把乙個個體比喻成一頭羊，一堆羊聚集在一起就成了乙個種群。每乙隻羊長的（肥瘦程度）都不同，有的很肥，有的很瘦。我們作為乙個牧場的牧場主，最終目的是養出最肥的羊。而我們的羊比較奇葩，每天都會產仔，並且產完仔就會死去，令我們牧場羊的數量保持在乙個確定的數量上。
為了逼迫羊們越來越肥，我們每天殺死最瘦的羊，然後越肥的羊就越有機率交配生孩子，生出的孩子有可能變肥，也有可能變瘦。這樣長此以往下去，我們羊群的羊將會越來越肥，而我們也達到了我們的目的。
所以簡單的總結一下，上面每一頭羊都是乙個「個體」，整個牧場就是乙個種群。每一頭羊有「決定肥瘦程度的染色體」與「肥瘦程度」。這個肥瘦程度就是我們要說的遺傳演算法的「適應度」。每一天我們將其稱之為迭代一次，也就是換一批新羊。
或者用生物上的話來說，每一頭羊都有染色體，染色體決定了他們表現出來的性狀是怎樣的。所以說，染色體決定了每一頭羊的肥瘦程度。
因此我們建立以下對應關係：
明確了上面四個基礎概念以後，我們就可以引出他們之間的相互關係。
種群中包含了若干個個體，每個個體都擁有兩個屬性：染色體與適應度。每一次迭代中，種群中的個體數量不變。
染色體其實需要細講的主要還是染色體。
染色體是遺傳演算法與「被求最優解模型」直接相關之處。通常來說乙個模型想要求最優解，那麼就肯定會存在變數，通過控制變數的值讓模型的最終值達到最優。
所以在這裡，模型中所有變數就構成了一條染色體。其中每乙個變數稱之為染色體上的乙個基因。
比如說我們這裡有乙個多元函式f=
f(x,
y)，這個函式擁有最大值fm
ax，但是對應的最大值點(x
max,
ymax
) 我們並不知道，用通常方法也十分難求出來，所以我們可以利用遺傳演算法來簡單求解一下。所以就將染色體設定為兩個節點（基因），第乙個節點為
x ，第二個節點為y。
這是對於乙個個體來說的，也就是對於單個個體，他的染色體值我可以寫成乙個向量為ch
rom=
[x,y
] 適應度那麼得到了染色體，模型的最優解如何評價呢？就是利用適應度來尋找最優解。
每個個體的適應度就相當於這個模型在「這個染色體的變數的值下的解」。也就是說這個個體的染色體值為ch
rom=
[x1,
y1] ，所以我們把(x
1,y1
) 帶入到之前的多元函式中，可以得到這個函式的乙個解為f1
=f(x
1,y1
) ，解f1
就是這一條染色體（個體）的適應度。
尋找最優解
對於整個種群，我們假設有
n 個個體，所以對應的，也就有
n條染色體，
n 個適應度。因此可以寫成以下形式ch
rom=
⎡⎣⎢⎢
⎢⎢x1
x2…x
ny1y
2…xn
⎤⎦⎥⎥
⎥⎥fi
tnes
s=[f
1,f2
,…,f
n]t
其中每一行都代表著乙個個體。
我們在這裡假設每個個體的染色體的值各不相同，因此適應度（模型的解）也就各不相同。所以我們就可以從中挑出來最大的適應度，它就是在當前情況下的最優解，但不一定是真正的最大值fm
ax。所以接下來的就是開始尋找真正的最大值（最優解）。
遺傳演算法流程
一次迭代包括以下幾個過程：
染色體變異。即改變某個染色體的值；
染色體交叉。任意選擇兩個染色體交換部分基因；
計算適應度。計算每個染色體在當前迭代下對應的適應度。
優勝劣汰。選出最劣適應度的染色體，並將其用最優適應度染色體替換。
染色體變異
染色體變異作用於每乙個個體，目的就是修改當前染色體，從而讓其變得「更好」，也有可能變得「更壞」。
為了能夠讓已經就很優的個體不要貿然的跌下神壇，讓不算特別好的個體突破階級限制進入最優，我們可以做出以下規定：
這樣子就能夠令整個種群的階級隨時保持流動。
假設某個個體的染色體的某個節點
x 要發生變異，我們現在必須已知：當前迭代下種群中的最優適應度fb
est；當前個體的適應度
f 。
然後我們產生乙個隨機數ra
nd，就是這個節點的變化值，所以通過公式xn
ew=x
[1±r
and(
1−ff
best
)2]
可以得到新的染色體節點值xn
ew.其中,正負號隨機決定，代表著當前染色體節點值應該變大還是變小。
這個式子代表著，當
f 越趨近於fb
est時，
(1−f
fbes
t)2 就趨近於0，說明對原
x 的改變越小（變化量幾乎為0）；當f遠離
fbes
t 時，(1
−ffb
est)
2 越趨近於1，說明對原
x 的改變越大。
染色體交叉
染色體交叉比較容易，隨機選擇兩個染色體，在隨機選擇一對節點，相互交換對應的值即可。
比如有兩個個體的染色體為ch
romm
=[xm
,ym]
,chr
omn=
[xn,
yn]，我們選擇將其第乙個節點上的兩個節點進行交叉互換，得到新的兩個染色體值為ch
romm
=[xn
,ym]
,chr
omn=
[xm,
yn] 。
計算適應度
計算適應度其實就是將每個個體的染色體帶入到模型中進行計算，計算出來其對應的適應度。
優勝劣汰
為了讓我們種群的適應度整體水平上公升，我們必須殺死排名最後的那個個體。
殺死之後種群數量就變少了，所以就必須要讓比較優良的個體多生點來把種群數量補回來。在這裡我為了方便，直接把最劣的個體的染色體替換成了最優個體的染色體。
這樣子就是優勝劣汰，略微的把整體適應度水平提公升了一點。
以上就是遺傳演算法的大概流程。因為遺傳演算法的實現方法較多，所以這是按照我個人習慣整合成的乙個遺傳演算法。一般來說，遺傳演算法的染色體還可以由二進位制表示，優勝劣汰的方法也有其他方法，在這裡我們就不多贅述。
下一章將會引入matlab**，引入實際模型來進行乙個具體的計算。
遺傳演算法及matlab簡單實現
遺傳演算法的實現 遺傳演算法的一次迭代稱為一代，每一代都有一組解。新的一組解不但可以有選擇的保留一些適度值高的舊的解，而且可以包括一些由其它解結合得到的新解。最初的一組解 初始群體 是隨機生成的，之後的每組解由遺傳操作生成。每個解都通過乙個與目標函式相關的適應度函式給予評價，通過遺傳過程不斷重複，達...
遺傳演算法介紹
遺傳演算法介紹 2 基於遺傳演算法的人工神經網路的應用 基於遺傳演算法的人工神經網路的應用的基本原理是用遺傳演算法 ga 對神經網路的連線權值進行優化學習，利用ga的尋優能力來獲取最佳權值。由於遺傳演算法具有魯棒性強 隨機性 全域性性以及適於並行處理的優點，所以被廣泛應用於神經網路中，其中有許多成功...
Matlab遺傳演算法例項
clear clc popsize input 輸入種群大小 n lengh input 請輸入染色體長度 n popsize 100 lengh 10 a 1 b 2 y x sin 10 pi x 1.0 初始種群 pop round rand popsize,lengh 行 種群大小，列 染色...