首先介紹什麼是遺傳算法。
由一個問題引入，求某函數f(x)在區間[a,b]上的最大值。
這看似簡單，我們很快會說，求他的導數，然後等於0即可。
但是往往在應用中，f(x)未知，或很難解析，這就讓求導這類方法變得困難。
於是科學家們聯想到了生物裏的進化論，給出了這樣一個很有意思的求解過程。
首先你先隨機出一些數對，x從對應的區間中隨機，y就是他們對應的f(x).
幹嘛呢？把他們看做進化論中的個體。x是基因型，y是表現型，你作爲上帝，目標是選出表現型比較大的值。
於是你根據，y的值，把一些數對搞死了。
然後再讓剩下的進行繁殖——把基因編碼，也就是把float映射成二進制數組，然後把這個數組看成生物上的基因序列，交叉重組，產生下一代，然後這個過程中往往還伴隨着變異。
如此反覆。我們可以發現，最後留在種羣裏的，會集中在f(x)的極大值點附近。
這就描述了遺傳算法的過程。
初始化隨機數據->篩選->編碼->重組->變異->迭代。
然後我們再想想在遊戲裏用這個能幹嘛。
其實遊戲人工智能很大的不同在於，我們致力於研究最有趣的AI，而非最優秀的AI。
所以我們在遊戲裏用遺傳算法去模擬種羣，很大程度是希望看到，玩家對遊戲世界作出的動作，在最終宏觀的影響了整個遊戲世界，體現一種很強的自由度——而並非真正希望AI在進化過程中成長成可以對抗玩家的AI。
那麼如何在遊戲裏運用遺傳算法呢？
要做一個小小的改動——大多的遺傳算法往往是先迭代完成，計算出最優解，然後投入應用。而遊戲裏——我們說了，我們並不關心最優解，我們關心他在變化。所以我們不在遊戲初始化的時候，直接完成遺傳算法的迭代，而是在遊戲中實時的計算這個個體的情況，並每個一段時間進行一次迭代，這次迭代將決定下一代的個體，如此往復，直到遊戲最後結束。
最後講一講我們將用到的優化——可以使用多線程和池化技術。
因爲這個遺傳算法的維護和主邏輯是可分離的，確切的說，遺傳算法的迭代過程中，和主邏輯並不衝突，相反，由於遺傳算法在迭代下一代的過程中，計算非常集中，所以在這個階段會嚴重阻塞主邏輯。
所以我們可以使用多線程，用一個線程去維護一個種羣的遺傳算法。
而至於池化，是因爲在迭代過程中要消亡上一代，生成下一代，也就是生成、銷燬操作非常頻繁，這種情況是可以使用池化，具體請參考上一篇文章。
下一篇，我們講一些具體的代碼實現。