遺傳算法（Genetic Algorithms ，GA）來源于自然界自然選擇和遺傳進化的思想，主要用于解決最優化問題（optimization problems）。遺傳算法最早在20世紀70年代由John Holland提出。但實際上，我更認為其發明者是達爾文。遺傳算法本質上是達爾文“優勝劣汰，適者生存”的進化論思想在計算機中的映射。

一、基本概念

與進化論相似，遺傳算法有幾個核心概念。知道進化論或學過生物的很容易理解。
個體（Individual）：一個猴子，一個猩猩，一個人。
種群（Population）：一群猴子，一群猩猩，一群人。
基因（Gene）：個體攜帶的基因。
染色體（Chromosome）：由基因拼接組成；作為個體的藍本，在算法中一般代表個體自身。

遺傳算法基于如下進化理論的類比：
（1）個體在種群中因為資源或配偶進行競爭；
（2）優秀的個體在競爭中更有優勢；
（3）優秀個體相互結合能夠產生更優秀的后代。

二、怎樣判斷優秀個體？

那么，怎么知道哪個是優秀的個體，哪個是不優秀的個體呢？在遺傳算法中用“適應度值（fitness）”來度量，至于適應度值高是優秀還是低是優秀，看具體的問題了。
在算法實施過程中需要一個“適應度值計算函數”，來計算種群中每個個體的適應度值（fitness）。

三、怎樣實施進化過程？

遺傳算法的過程不復雜。
1）根據問題需要，隨機生成個體，個體的數量可自行控制。
2）將個體組成一個種群。這前2個過程一般合并在一起。
3）計算個體適應度值。
4）根據適應度值選擇優秀的個體。
5）將優秀的個體進行結合，產生一個或多個后代。
6）某個個體產生基因變異，變成了一個新個體。
7）將所有新個體加入到種群中，根據適應度值淘汰較差個體，使種群中個體數量保持不變。
8）滿足退出條件就退出，不滿足就轉向步驟3）。

四、三個核心步驟

（1）選擇（selection）

關鍵思想：優秀的個體有更多的機會把基因傳給下一代。
選擇的基準就是個體的適應度。而選擇的策略根據問題和程序員自身意圖，可以采用多種策略。一般使用較廣、且易于實現的是輪盤賭策略（roulette wheel selection）。
假設種群中有6個個體，適應度值分別是[2,3,10,5,12,19]，其輪盤是如下形式：

我們轉動輪盤，顯然適應度越大的有更大的概率被選中。其簡單的解釋性代碼可以表示如下：

# -*- coding: utf-8 -*- import numpy as np s = [2, 3, 10, 5, 12, 19] # 種群和個體 s_sum = sum(s) # 所有適應度的和 m = 0 r = np.random.random() # 0-1之間的隨機數 c = 0 for i in range(len(s)):m += s[i] / s_sumif r <= m:c = ibreak print(c) # 最后選中個體的序號

可以看出，用輪盤賭也有一定的限制。如果適應度值有正有負，就不好處理。所以輪盤賭只是選擇策略的一種。最簡單的是隨機選擇策略，在種群中隨機選擇個體進行進化。

（2）結合（或稱交叉，crossover）

交叉過程根據問題和程序員的意圖可自行設計。下面給出單點交叉法的過程示意圖。

兩個個體parent1和parent2，各分成2部分基因片段。分別將parent1的前部分基因片段和parent2的后部分基因片段，parent1的后部分基因片段和parent2的前部分基因片段相結合，生成了2個后代child1和child2。每個后代都擁有parent1和parent2的一部分基因。
在每一代進化中，交叉過程不是一定發生的，一般基于設定的概率發生。而這個概率設定的較高，一般在0.6以上。如果交叉不發生，parent1和parent2直接復制進入新種群。如果交叉發生，則對child1，child2，parent1，parent2進行適應度比較后，保留較好的進入新種群，也可以都進入新種群，具體怎么做沒有標準，可以根據具體問題自行選擇。

（3）變異（mutation）

為了確保種群的多樣性，允許種群中有個體的基因變異。在實際問題中是跳出局部最優解。下圖表示種群中某個個體的一段基因編碼發生變異，生成了一個新個體。在每一代進化中，變異概率設置的較低，一般在0.1以下。注意：交叉概率和變異概率一個較大，一個較小，但不是交叉概率和變異概率之和一定等于1，沒有這種說法，這兩個概率沒有相關性。

變異可以基于交叉后產生的個體，也可以基于種群中的所有個體，這個可以根據具體問題自行決策。

總結

以上是生活随笔為你收集整理的遗传算法通识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。