计算机专业，因为毕业论文的需要，对遗传算法还是有了深刻理解。LZ第一次写技术博客，写的不好地方，多多包涵，多多指正。
1.什么是遗传算法
简单来说，遗传算法是模拟自然选择和遗传机制的寻优方法。通过基因杂交，变异可能产生适应性强的后代，通过优胜劣汰的自然选择，适应能力强的基因结构就保存下来。一句话概括就是：优胜劣汰，胜者生存。
2.遗传算法流程
(1)制定编码方式，一般我们选择二进制编码。
(2)设定适应度函数，一般我们选择目标函数为其适应度函数。
(3)随机产生初始种群，也就是随机的解。
(4)计算适应值，看是否达到最大或者最小值。
(5)选择、交叉、变异。
(6)计算适应值，选择出第一代个体。
(7)重复(4)(5)(6)。
3.简单算例
为了能更直观的理解遗传算法，我们举一个简单算例，
求
的最大值。其中
(1)个体编码
遗传算法的运算对象是表示个体的符号串，所以必须把变量x1，x2编码为一种符号串。本题中，用无符号二进制整数来表示。因为0-7之间的整数，所以分别用3位无符号二进制整数来表示，将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。例如，基因型X＝101110所对应的表现型是：x＝[ 5，6 ]。个体的表现型x和基因型X之间可通过编码和解码程序相互转换。
(2)初始群体的产生
遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机方法产生。如：011101，101011，011100，111001。
(3)适应度计算
遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接利用目标函数作为个体的适应度函数。
(4)选择运算
选择运算把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：先计算出群体中所有个体的适应度的总和：
其次计算出每个个体的相对适应度的大小：
它即为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，全部概率值之和为1；最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。
(5)交叉运算
交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。本例采用单点交叉的方法，其具体操作过程是：先对群体进行随机配对；其次随机设置交叉点位置；最后再相互交换配对染色体之间的部分基因。
可以看出，其中新产生的个体111101和111011的适应度较原来两个个体适应度都要高。
(6)变异运算
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。本例中，我们采用基本位变异的方法来进行变异运算，其具体操作过程是：首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；然后依照某一概率将变异点的原有基因值取反。对群体P(t)进行一轮选择、交叉、变异运算之后可得到新一代的群体p(t+1)。从上表中可以看出，群体经过一代进化之后，其适应度的最大值、平均值都得到了明显的改进。事实上，这里已经找到了最佳个体“111111”。
对群体p(1)进行下一轮选择、交叉、变异得到新一代群体P(2),重复此步骤，直至达到最优解。
以上算例是网络的算例，只是个人归纳重新整理了一下，以供大家交流学习。
