遺傳演算法模擬自然界的進化過程，選擇(selection)，交叉(crossover)，變異(mutation)。每次迭代過程，都保留部分上一組的個體，經過許多次這樣的迭代，就能求得最優解的近似解。
遺傳演算法在函式優化、模式識別、生產排程等方面有許多應用。
編碼編碼有兩種，一種是實數編碼，一種是二進位制編碼：
解空間：二進位制編碼之前，最原始的實數解 的空間。
編碼空間：對實數解進行二進位制編碼，編碼之後的解 的空間。
編碼空間實際是對原來解的另一種角度的解讀。
f(x) = sin(x)+sin(7*x)+8x那麼解空間就有 \([4-0]~*~10000 = 40000,40000<2^=65536\) ，所以編碼之後的解空間可以用16bit來表示所有的實數解，還有冗餘。
乙個解的編碼就是乙個16位的二進位制串。
但是一開始這些二進位制串是隨機生成的，由於編碼冗餘的原因，注意隨機生成二進位制串不一定都在實數解空間裡。
這樣的一條二進位制串，就是乙個解，在遺傳演算法中也被叫做一條染色體。
解碼對於這種染色體，如何解碼到[0,4]中對應的實數解？？
我們可以用如下公式：
x = 0+decimal(chromosome)✖️ (4-0)/(2^16-1)\[\begin
f(x),\in[lowwer\_bound,upper\_bound]
\end
\]\[x = lower_bound+decimal(chromosome)✖️(upper\_bound-lower\_bound)/(2^- 1)
\]通過上述公式，我們就可以成功把二進位制染色體翻譯成十進位制實數解。
個體個體就是承載一條染色體的載體，而染色體又能表示某種特徵。對於求解本例函式求極值問題，每乙個實數解就是一條染色體，或者稱其為乙個個體。許多個個體組成了種群。
適應度函式
適應度函式通常是我們需要求解的特定函式來描述乙個個體的好壞，然後通過適應度函式值進行個體篩選。本問題由於求解最大值點，適應度函式就可以選擇問題本身對應函式。
對於求解最大值來說，最大值越大，解的質量就越好。
適應度函式就是遺傳演算法類問題的"遺傳規則"，也是核心。具體的選用通常要根據實際問題選擇。
遺傳運算元
遺傳運算元的作用，通過幾個方法(運算元)達到將初始總群進化到比較優秀的種群的目的。因為初始種群是隨機的，肯定剛開始解的質量非常差，通過用適應度函式不斷地進化到比較優秀的解，但是也要注意：必須設立閾值點，不能一味的接近最優點，計算能力頂不住。
進化時每一次都保留原始種群中比較優秀的部分，差的部分被淘汰，代替的是優秀個體通過遺傳運算元得到的比較優秀的子代。
進化能力一般講的就是遺傳運算元的設計：
遺傳運算元包含以下幾個運算元：
選擇是在上一代種群中 選擇多對優秀個體，一對優秀個體就叫做一對父母，每一對父母可以產生乙個優秀後代。
選擇之前把種群中所有的個體按照適應度從小到大排列。採用一些方法(通常是輪盤賭選擇法：各個個體被選擇概率與其適應度值大小成正比)。
還有別的方法，比如精英機制：直接選擇前代最好的兩個個體，因為輪盤賭選擇法具有隨機性，這一點確實很好的模擬了自然界基因的隨機性，但是也得明白，選擇的隨機性比較容易丟掉最好的兩個優秀個體。
根據選擇運算元找出的比較優秀的兩個個體，根據交叉運算元的交叉概率按照某種方式交換某段基因。
方法有單點交叉、多點交叉等等
交叉完之後，染色體按照某種變異概率進行染色體變異、
變異方法有：單點變異、多點變異
一些經驗：
交叉概率我們選擇的一般比較大，變異概率選擇的比較小。具體問題具體分析。求解函式極值的問題，交叉概率通常選擇0.6，變異概率通常選擇0.01。
上圖是適應度最大值隨著遺傳代數增加的影象，可以發現在大概第20次左右得到了收斂，適應度最大值大概在24左右。
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...
遺傳演算法歸納
遺傳演算法 genetic algorithm 是一類借鑑生物界的進化規律 適者生存 優勝劣汰遺傳機制 演化而來的隨機化搜尋方法。其主要特點是直接對結構物件進行操作，不存在求導和函式連續性的限定 具有內在的隱並行性和更好的全域性尋優能力 採用概率化的尋優方法，能自動獲取和指導優化的搜尋空間，自適應地...