遗传算法（Genetic Algorithms）也是受自然科学的启发。该类算法的运行过程是先随机生成一组解，称之为种群（population）。在优化过程中的每一步，算法会计算整个种群的成本函数，从而得到一个有关题解的有序列表。

其三个主要特性在于：

• selection，crossover，mutation

在对题解进行排序之后，一个新的种群——我们称之为下一代——被创建出来了。首先，我们将当前种群中位于最顶端的题解加入其所在的新种群中。我们称这一过程为精英选拔（elitism）。新种群的余下部分是由修改最优解后形成的全新解所组成的。

有两种修改题解的方法。

• （1）较为简单的一种称为变异（mutation），其通常的做法是对一个既有解进行微小的、简单的、随机的改变。

• （2）另一种方法称为交叉（crossover）或配对（breeding）。这种方法是选取最优解中的两个解，然后将它们按照方式结合。

算法设计中可能涉及的参数主要有，

• （1）popsize：种群大小
• （2）mutprob：种群的新成员由变异而非交叉得来的概率
• （3）elite：种群中被认为是最优解且被允许传递到下一代的比例
• （4）maxiter：需要运行多少代

遗传算法的程序还是比较好写的，因为流程非常固定；

def geneticalgo(domains, costf, popsize=100, mutprob=.2, elite=.2, maxiter=100):

    def mutable(c):
        i = random.randint(0, len(domains)-1)
        if random.random() < 0.5 and c[i] > domains[i][0]:
            c[i] -= 1
        elif c[i] < domains[i][1]:
            c[i] += 1
        return c
    def crossover(r1, r2):
        i = random.randint(1, len(domains)-2)
        return r1[:i] + r2[i:]

    pop = []
    for i in range(popsize):
        r = [random.randint(domains[i][0], domains[i][1]) for i range(len(domains))]
        pop.append(r)

    topelite = int(popsize*elite)

    for i in range(maxiter):

        scores = [(costf(r), r) for r in pop]
        scores.sort()
        randked = [v for c, v in scores]
        pop = ranked[:topelite]

        while (len(pop) < popsize):
            if random.random() < mutprob:
                r = random.randint(0, topelite-1)
                pop.append(mutable(pop[r]))
            else:
                c1 = random.randint(0, topelite-1)
                c2 = random.randint(0, topelite-1)
                pop.append(crossover(pop[c1], pop[c2]))
        print(scores[0][1])
    return scores[0][0]