之前写过一篇蜂群算法(Artificial Bee Colony)， 那么遗传算法(Genetic Algorithm) 跟其有着相似的想法。
GA模拟人工种群的进化过程，通过选择、交叉、变异机制，在每次迭代中保留一组候选个体，重复此过程，经过若干代进化后，理想情况下其适应度会到“近似最优”状态。
1、ABC、GA算法，都是为了寻找最优解。
2、相关概念，个体（individual），种群（population），适应度值（Fitness Value）。
3、GA中，个体又被称为染色体（Chromosome），种群又被称为染色体组（Genome）。
4、GA中，关键词，交叉（crossover），变异（mutation）
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
现在结合实例分析，
假设现在有目标函数F(x)=X-1，解为正整数，解区间为[0,10] ，
当然这个目标函数非常简单，一眼就知道最优解是10…
第一步：编码
每个解对应一条染色体，染色体表达方式如下图，
最常用的则是第一种，二进制方式
因为我们的解区间为[0,10]，所以用4位二进制表示就够了。
第二步：初始化
随机初始化染色体个数，具体要求没有，但是数量太少，寻找最优解速度会很慢，数量过多，浪费很多时间在无关解上。在ABC算法中，也同样有初始化这一步，并且相同的是，也是由多个个体组成群体，但ABC中，个体叫做蜜源(nectar，or solution)，群体叫做食物源(Foods)。
假设随机初始化4个染色体来组成染色体组，
第三步：选择
利用目标函数，计算出每个解的FitnessValue（也就是把X代入，得到的Y值），然后根据FitnessValue计算该染色体被选中的概率。
在ABC算法中，类似的思路，先计算某个蜜源的ObjectValue（目标函数值），然后利用ObjectValue计算Fitness，再利用Fitness计算被选中的Probability。
FitnessValue象征着该解有better performance， 利用轮盘赌算法选择优秀的解（假设选择了No.1 和 No.4），做为parent，参加下面的交叉和变异工作。同样地，在ABC中的Onlooker Bee阶段，也是用轮盘赌算法选择优秀的蜜源。
第四步：产生后代（offspring）, 方法就是交叉和变异。
先说交叉（crossover）。
从第三步中，我们选择No.1 和 No.4为parent, 最常用的是单点交叉（Single point crossover），选择一个基因座（locus），假如我们选择的是3，那么包括3以后的基因互换，如下图
通过交叉，我们得到了两个新的解，解码后，分别对应的是5和7，我擦嘞，这特么就尴尬了，竟然跟parent重复了，就是举例而已，假如得到的新解，比parent还好，那么用新解代替旧解。
跟ABC一样，都是保证了进化策略的正向性。
再说变异（mutation）。
变异是为了增加解空间的多样性，说白了，说不定新的变异是更加有有效呢。
一句话，随机选个基因座进行0和1互变换。
在ABC中，Scout Bee扮演着同样地角色，负责去找出新的solution，所以，那些FitnessValue 较低的染色体，比如说No.3 染色体，假如对第一个基因座进行进行下面的变异操作，
得到的新解，解码后是9，这个变异就很好，
第五步：终结
重复进行步骤3和4，知道满足某种终结条件时，结束。
这个终结条件很多，比如可以设定循环次数，可以设定两次最优解之间的差值小于某个值等等。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
MATLAB 可以直接调用遗传算法函数。
