關鍵字：遺傳算法
遺傳算法（Genetic Algorithm）是一種模擬自然界“自然選擇”和“自然遺傳”的啓發式搜索算法，通過模擬自然進化過程搜索最優解的方法。
直到1989年，實現了具有單變量函數的簡單遺傳算法（Simple Genetic Algorithm，SGA）程序，後續有許多學者對遺傳算法提出建議或改良，如精英保留策略遺傳算法、改良遺傳算法、混合遺傳算法等，但他們都是基於SGA的。
本篇也是以SGA爲基礎的，SGA處理流程如下：
遺傳算法的理論基礎是達爾文的“進化論”，在遺傳算法模型中，將問題的解答巧妙的編碼在一串數值或符號中（即所謂的染色體），模擬染色體中的一段基因，經過長時間的進化過程，歷經選擇、交叉和變異3個遺傳算子，不斷產生新基因，同時淘汰不良基因，最終進化成最優秀的染色體，並滿足進化的終止條件，得到問題的最優解。
實現遺傳算法時，必須先將要求問題解的質量定義爲適應度函數。適應度函數計算的數值代表該系統的性能指針，也就是該物種對於生存環境的適應程度，簡稱爲適應度值，適應度值越高，表示系統性能越好，被選取的概率也越大。
最常見的進化的終止條件有兩種：得到大於或等於預期的目的適應值，或達到預先定義好的演化代數，也就是說，適應度函數的設計是遺傳演算過程是否可以正常執行的關鍵。
如果適應度函數選擇不當，有可能會收斂於局部，而不能達到“真正的全局”最優解。除此之外，由於遺傳算法具有不確定的變異因素，可能也會出現無法收斂的情況。這時，可以根據指定的演化函數，或發現搜索結果停滯不前，或已經達到某種飽和現象，設置終止條件。
1.編碼
在遺傳算法中，將染色體稱爲個體，常見的基因編碼方式有二進制編碼、浮點數編碼和字符編碼3種。
1）二進制編碼：用二進制表示參數空間，優點：易實現
2）浮點數編碼：直接將參數值當成染色體的基因，省去了編碼和譯碼的動作，缺點：無法默認搜索的精確度，不適合處理不連續的變量空間
3）字符編碼：直接用字符代表基因的方式
2.種羣
根據SGA處理流程可知，遺傳演算開始前，需要先產生初代種羣（由一堆隨機產生的染色體組成的），由於一個染色體代表一個問題解，因而初代種羣也代表初始解的集合。
那一個種羣應該包括多少染色體呢？這個要視問題複雜度來定，一般來說，越複雜的問題需要越大的種羣規模來解決。
3.選擇
選擇機制類似於“無性繁殖”，根據每個染色體的適應度值大小來決定該染色體被選擇的概率，適應度越高，被選擇概率就大（自然選擇），一旦染色體被選擇，就會進行“自我複製”，並且被放置在稱爲配對庫的暫存區中。
實現選擇機制的兩種常用方法是競爭選擇法和輪盤賭選擇法。
1）競爭選擇法
從種羣中選出兩個染色體進行適應度值的比較，最後留下適應度較高的染色體作爲父代，重複進行這個步驟，直到選出所有的父代爲止。
2）輪盤賭選擇法
按照適應度值的大小決定每一個槽的面積大小，可以使用下面公式來表示：
被選中的概率 P(i)= f(i)/( f(1) + f(2) + … + f(S))
其中 f(i)：適應度值；S：染色體總個數；
也就是說個體被選中的概率與其適應度函數值成正比。
接下來我們來看一個簡單的輪盤賭算法：
/**
* 按設定的概率隨機選中一個染色體,P(i)表示第i個染色體被選中的概率
*/
int RAN() {
m =0;
r =Random(0,1); // r爲0至1的隨機數
for(i=1;i<=S; i++) {
/**
* 產生的隨機數在m~m+P[i]間則認爲選中了i，i被選中的概率是P[i]
*/
m = m + P[i];
if(r<=m) return i;
}
}4.交叉
第二個遺傳算子叫做交叉。
作用：希望通過父代之間進行基因交換的動作後，產生具有較高適應度的子代。
位於配對庫中的染色體是經過選擇運算的結果，在交叉流程開始時，會先從配對庫中任意取出兩個染色體，並將它們作爲父代。但是並非所有父代都會進行交叉（取決於交叉概率），實現程序時，可以將交叉概率設置爲0.8~1的數值，接着再取一個隨機實數，如果該隨機實數小於交叉概率，就進行交叉運算。
交叉概率的大小會影響搜索最優解的速度，太高的交叉概率有可能流失優良的染色體，反之又會造成進化停滯，故一般把交叉概率設置在0.8~1爲宜。
5.變異
最後一個遺傳算子叫做變異。
是否進行變異取決於變異概率，當隨機實數小於變異概率時就會引發突變運算，也就是會將染色體中的某個位，由原來的0置換成1，或是由原來的1置換成0。可以置換某個固定位置的位，也可以由隨機數來決定位置。
使用這種隨機漫步的方式，突變運算將使遺傳算法脫離佈局最優解的窘境，得到全局最優解。根據文獻研究顯示，建議將變異概率設置爲0.001左右。
6.演化迭代
經過選擇、交叉、變異3個遺傳算子後，即可產生新的子代，繼續下一個循環的進化，目前常用的取代方式有：
1）整羣取代：全部用新產生的染色體取代舊種羣的染色體；
2）精英保留策略：保留舊種羣中適應度值最高的前幾名，用新產生的染色體取代其餘的染色體。
7.基本遺傳算法僞代碼
/**
* 基本遺傳算法僞代碼
* Pj：交叉發生的概率
* Pb：變異發生的概率
* M：種羣規模
* G：終止進化的代數
* T：進化產生的任何一個個體的適應度函數超過T，則可以終止進化過程
*/
初始化Pb，Pj，M，G，T等參數，隨機產生第一代種羣Pop
do{
計算種羣Pop中每一個體的適應度f(i)，初始化空種羣newPop
do{
根據適應度以 輪盤賭算法 從種羣Pop中選出2個個體
if ( random ( 0 , 1 ) < Pj ){
對2個個體按交叉概率Pj執行交叉操作
}
if ( random ( 0 , 1 ) < Pb ){
對2個個體按變異概率Pb執行變異操作
}
將2個新個體加入種羣newPop中
} until ( M個子代被創建 )
用newPop取代Pop
} until ( 任何染色體得分超過T， 或繁殖代數超過G )到這裏相信大家對遺傳算法已經有了一定的瞭解了。
需要學習的知識：
1.深入學習遺傳算法
2.對遺傳算法的應用
參看文獻：http://blog.csdn.net/smartbetter/article/details/52194663