（二）遗传算法（Genetic Algorithm, GA）流程

1. 遗传算法流程

  一点说明：
  在遗传算法中，将$n$维决策向量$\mathbf{X}$$=[x_1,x_2,...,x_n{]}^T$用$n$个记号$X_i(i=1,2,...,n)$所组成的符号串$X$来表示：
$$\mathbf{X}=X_1{X}_2...X_n\Rightarrow \mathbf{X}=[x_1,x_2,...,x_n{]}^T$$
  把每一个$X_i$看作一个遗传基因，它的所有可能取值就称为等位基因，这样$\mathbf{X}$就可看作由$n$个遗传基因所组成的一个染色体。
  遗传算法流程图如下所示：

  具体步骤如下：
  （1）初始化。设置进化迭代计数器$g=0$，设置最大进化代数$G$，随机生成$N_p$个个体作为初始群体$P(0)$。
  （2）个体评价。计算群体$P(t)$中各个个体的适应度。
  （3）选择运算。将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体。
  （4）交叉运算。将交叉算子作用于群体，对选中的成对个体，以某一概率交换它们之间的部分染色体，产生新的染色体。
  （5）变异运算。将变异算子作用于群体，对选中的个体，以某一概率改变某一个或一些基因值为其他的等位基因。
  （6）循环操作。群体$P(t)$经过选择、交叉和变异运算之后得到下一代群体$P(t+1)$.计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作。
  （7）终止条件判断：若$g\le G$，则$g=g+1$，转到步骤（2）；若$g>G$，则此进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

2. 关键参数说明

1. 群体规模$N_p$；
     群体规模将影响遗传优化的最终结果以及遗传算法的执行效率。当群体规模$N_p$太小时，遗传优化性能一般不会太好。采用较大的群体规模可以减小遗传算法陷入局部最优解的机会，但较大的群体意味着计算复杂度较高。一般$N_p$取$10-200.$
2. 交叉概率$P_c$；
     交叉概率$P_c$控制着交叉操作被使用的频度。较大的交叉概率可以增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭到破坏的可能性增大；若交叉概率太低，遗传算法搜索可能陷入迟钝状态。一般$P_c$取$0.25-1.00.$
3. 变异概率$P_m$；
     变异在遗传算法中属于辅助性的搜索操作，它的主要目的是保持群体的多样性。一般低频度的变异可防止群体中重要基因的可能丢失，高频度的变异将使遗传算法趋于纯粹的随机搜索。通常$P_m$取$0.001-0.1.$
4. 遗传运算的终止进化代数$G$；
     终止进化代数$G$是表示遗传算法运行结束条件的一个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。一般视具体问题而定，$G$的取值可在$100-1000$之间。