一、概述

遗传算法(Genetic Algorithm)遵循自然界“适者生存、优胜劣汰”的原则，是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。

二、算法流程

1、基因编码

对一些个体的基因做一个编码操作，描述出这些基因的结构。

根据常识，在生物的每个细胞中，都存在相同的一套染色体（chromosome），即DNA组合的聚合体。

因此，我们可以将这些染色体由数字0和1组成的字符串来表达。

2、初始化种群

需要造出一个种群，这个种群有多个生物个体，但是其基因却都不相同。

3、种群选择（适应度计算）

需要制造出一些苛刻的条件来淘汰一些不能适应这些条件的个体，不让其产生后代。
这是因为，这些淘汰掉的个体和最终筛选出的个体差异很大，如果保留，他的后代只会让计算量增大而距离目标没有显著增近。

4、产生下一代

这个过程通常有三种方式：直接选择、基因重组（种群交叉）、基因突变（种群变异）。

之后的过程，则会一直重复步骤3-4，直到找到最优解。

三、背包问题

我们通过求解背包问题的最优解来描述遗传算法的步骤。
假设有这样一个背包，可以放置30公斤的东西。现在我们有以下物品，其<重量,价值>有如下关系：

怎么能在不超过最大30公斤的限制，选取的物品价值最大呢？

1、基因编码

这6种物品，我们可以采用bit位进行编码。

共使用6位分别表示是否选取了此Item。1表示选取，0则表示未选取。
假设只有物品1,3,5,则染色体表示为101010。

2、初始化种群

我们随机产生4个生物个体，其染色体如下：
100110：对应物品1,4,5
001110：对应物品3,4,5
010100：对应物品2,4
011001：对应物品2,3,6

3、种群选择

从最初的这4个个体上，我们可以得到如下表格：

**这里我们将总价值这个指标作为染色体的适应度分数，在不超过限制条件的条件下，
其值越大，他的适应性也就越强。**

除去苛刻条件的筛选过程（上例是重量超标这个条件），我们还需要一次遴选的过程。即共分为筛选评估和遴选两个过程

我们从总体中选择适合的染色体，让其基因重组，产生下一代。但是这样将会导致染色体在数代之后差异减小，失去了基因的多样性。

一般的，我们会通过轮盘赌这种方式进行选择。
轮盘赌（Roulette Wheel）：一种赌博游戏，如下图，可进行旋转。轮盘上刻着很多小格子，轮盘开始旋转后，放入一个小球，待轮盘静止后，小球掉入的所对应的号码即为获胜号码。

想象一下，在一个分割了97（总适应分数）部分的轮盘，各个染色体的占有率如下：

我们转动4次，中奖的染色体允许繁殖一次，通过计算染色体1和染色4进入下一轮，各繁殖2次。
将这种方法称为：随机普遍选择法（Stochastic Universal Selection method）。

4、产生下一代

4.1 基因重组

我们将上一步中的染色体1和染色体4进行交叉重组，这里我们选择单点交叉方式。
我们随机选择一个位置，将2个染色体分离并进行重组。

其基因重组过程为下表：

4.2 基因变异

在后代的生长过程中，它们体内的基因会发生一些变化，使得它们与父母不同。这个过程我们称为“变异”，它可以被定义为染色体上发生的随机变化，正是因为变异，种群中才会存在多样性。

变异完成后，即得到了新为个体，进化也就完成了，整个过程如下图：

在生产完下一代之后，我们仍然需要对这些后代进行适应度计算。如果发现出现了连续几代适应度几乎不增加甚至反而减少的情况，
说明函数已经收敛。
因此，一般的，有以下几个终止条件：
– 在进行N次迭代之后，总体适应度没有太大变化。
– 算法事先定义好了进化的次数。
– 适应度函数已经达到了预先设定的值。

四、算法可调参数

1、初始群体
上面的背包问题，我们设定了初始群体个数为4个。当然，针对这6个物品，最多有2^6个个体。一般情况下，我们可以设定初始群体数量为N个，N为当前计算机最大可并行计算数量。
2、适应度函数
上面例子中，我们使用轮盘赌算法。当然也可以选择其他方法。
3、基因重组
上面例子中，我们设定的交叉点为3和4，当然可以选择其他的交叉点。
4、终止条件
上面曾列举了常见的3中终止条件，当然还有其他，目的都是当适应函数收敛后终止。