遗传算法

对于经典的模型算法，已有太多前人为我们写下各种攻略，我就先整理下我在学习过程中查阅的并觉得讲解得不错的文章吧，之后再慢慢补充我自己反思之后的体会~
—————————————————————————————————————————————————————————————————————————


对于刚开始接触遗传算法的朋友，笔者觉得科学松鼠会中有一篇文章不应该错过：遗传算法：内存中的进化，这篇文章通俗易懂，以非常生动地例子：如何用100个半透明三角形尽可能把Firefox的图标画出来，很好地阐释了遗传算法的奇妙，其中包含的“编码”，“适应性选择”，“交叉”，“变异”等步骤，在例子中仔细体会一下，就会觉得遗传算法确实是简单但又神奇。
不过看完这个，我们只是对遗传算法有了感性的认识，这时可以去看看July的算法具体介绍文：经典算法研究系列：七、深入浅出遗传算法，这篇文章相对就完整正式多啦，不过有了之前那篇科普文的了解，相信这篇文章可以很快理解清楚~


———————————————-后续————————————————
遗传算法的个人体会
一、遗传算法思想综述
遗传算法起源于模拟自然选择，物种进化，为了适应环境，进而在一代一代繁衍的过程中，基因朝着更有利于适应环境的方向变化，并遗传给后代。后代就会慢慢朝着更加适应环境的方向进化，那么繁衍到一定代数，我们的生物就比较好的适应环境；如果把环境换成我们的目标函数，生物看做我们的解，那么经过一定代数的繁衍，我们能得到比较好的解。
简而言之，遗传算法是一种在相对较短时间，求得一个比较好地解的方法；
二、遗传算法的构架
模型中有几处把进化过程抽象为模型成分：
（1）自然选择的环境被抽象成为“适应函数”，一个生物的适应函数的函数值的大小衡量这个生物的适应环境程度，而选择的过程，抽象为一个选择算子，从所有生物中选择达到一定适应度的生物，这些生物的基因才有资格被传递下去。
（2）两个生物配对繁衍的过程，会发生基因重组和基因突变，所以在模型中经常会抽象出一个“编码”的操作，对我们要用遗传算法解决的问题对象进行编码，目的就是方便在遗传过程中，进行基因交叉和基因突变（这里其实非常灵活，编码成“基因”其实就是把对象用更小的单元组合而成，不必拘泥于一定要编码，“基因”的定义我们可以结合实际问题充分发挥想象力。
（3）重复（1）（2）自然选择，基因重组，突变若干轮之后，我们的对象便可越来越符合“适应函数”，也就是说，这个”适应函数“其实某种程度上就是我们的目标函数。


笔者才疏学浅，有理解的不到位的地方，还希望高人批评指出，不甚感激。