這是我自己寫的一篇有關遺傳演算法的文章。
for i := 0; i < len(population); i++
return next
}函式中寫的crossover(交叉)，mutate(變異)，將在下面給出，next就是下一代群體。
4.7 交叉的實現
func crossover(d1 organism, d2 organism) organism
// 子代得到父母的dna各一部分
mid := rand.intn(len(d1.dna))
for i := 0; i < len(d1.dna); i++ else
}return child
}交叉的實現可以千變萬化，我這裡採用的方法是子代得到父母dna的各一部分dna，這樣產生的子代也將大概率的比其父母適應能力更強。
4.8 變異的實現
func (d *organism) mutate() }}
根據mutationrate(變異的概率)，這也是乙個很重要的引數，對結果有很大的影響，在後面的結果中就能看到。
4.9 找出群體中最優的生物個體
func getbest(population organism) organism
}return population[index]
}最優即該生物個體的適應度在整個群體中是最大的，這個函式將在主函式的迴圈中呼叫。
4.10 主函式
func main() else
}elapsed := time.since(start)
fmt.printf("\ntime taken: %s\n", elapsed)
}不同的遺傳演算法的結束條件有所不同，我採用的是找到完全匹配的字串即結束演算法，也可以用迭代次數來作為結束條件。我們根據執行的時間來判斷演算法的好壞。
4.11 可調的、重要的引數
// 變異的概率
var mutationrate = 0.005
// 種群數量
var popsize = 500
// 目標字串
var target = byte("no matter how long the night, the day will come")
這三個引數都是可以隨機設定的，不同的值可能會對結果有很大的影響。
5 執行結果
先展示上面源**引數的執行結果：
圖一 執行結果一
圖二 執行結果二
上面的兩個執行結果從引數都一樣，大概花了二十多、三十秒就迭代出了目標字串，以這些引數執行多次，時間在三十秒上下波動，這看似體現了遺傳演算法較為穩定的特性。
接下來修改popsize這個引數，看看會有什麼影響：
圖三 執行結果三
popsize改為300，看起來還能接受，但如果改為200或100這個程式將可能陷入區域性最優，也就是一直迭代下去，時間可能是無限長，這也是遺傳演算法的乙個弊病，所以有些遺傳演算法的實現的結束條件是迭代次數，防止程式無限期的執行下去。
接著來修改mutationrate這個引數，看看會有什麼影響：
圖四 執行結果四
不難看出變異的概率雖然更大了但是執行時間卻更長了，這是由於變異的概率反而增大了遺傳演算法的隨機性，這個變異的方向可能是好的方向也可能是不好的方向，如果變異概率更大的話會更早陷入區域性最優：
圖五 執行結果五
可以發現mutationrate為0.05，由於程式的fitness一直在0.4上下波動，因此程式陷入了區域性最優。
6 結論
遺傳演算法在這種類似問題的求解與應用中展現了其獨特的魅力，但也暴露了它的侷限性和缺陷，很容易陷入區域性最優是其比較嚴重的問題，其次它的隨機性也是乙個不容忽視的問題。因此要利用好遺傳演算法，引數的選擇和結束條件的設定極為重要，這就要根據題目的不同設定不同的方案。所以關於遺傳演算法的研究重點在一下幾個方面：
1） 演算法的改進：針對不同領域的問題來對遺傳演算法進行改進與完善。
2） 演算法的數學理論基礎：包括演算法的收斂性、收斂速度估計、早熟機理的探索與預防，交叉運算元的幾何意義與統計解釋。
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...
遺傳演算法簡單例項
遺傳演算法的手工模擬計算示例 為更好地理解遺傳演算法的運算過程，下面用手工計算來簡單地模擬遺傳演算法的各 個主要執行步驟。例 求下述二元函式的最大值 1 個體編碼 遺傳演算法的運算物件是表示個體的符號串，所以必須把變數 x1,x2 編碼為一種符號串。本題中，用無符號二進位制整數來表示。因 x1,x2...
簡單的多目標遺傳演算法實現
function multiga 執行此程式之前先安裝謝爾菲德遺傳演算法工具箱。遺傳演算法求解多目標優化案例 將原多目標函式改寫為f1 x 2 y 2 4 f2 x 1 y 10 運用線性疊加法，f a f1 x b f2 x a b 1 總目標函式改寫為 f 0.6 x 2 y 2 4 0.4 x...