遗传算法（Genetic Algorithm，GA）

干货 | 嘿！你和遗传算法的距离也许只差这一文(附C++代码和详细代码注释)

遗传算法

概念
遗传算法（Genetic Algorithm，简称GA）起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉(crossover)和变异(mutation)等现象，从任一初始种群（Population）出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代不断繁衍进化，最后收敛到一群最适应环境的个体（Individual），从而求得问题的优质解。

常用术语

1. 染色体(Chromosome)：又可称为基因型个体(individuals)，一定数量的个体组成了群体(population)，群体中个体的数量叫做群体大小（population size）。
2. 位串(Bit String)：个体的表示形式。对应于遗传学中的染色体。
3. 基因(Gene)：染色体中的元素，用于表示个体的特征。
4. 特征值( Feature)：在用串表示整数时，基因的特征值与二进制数的权一致；
5. 适应度(Fitness)：各个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数。这个函数通常会被用来计算个体在群体中被使用的概率。
6. 基因型(Genotype)：或称遗传型，是指基因组定义遗传特征和表现。对于于GA中的位串。
7. 表现型(Phenotype)：生物体的基因型在特定环境下的表现特征。对应于GA中的位串解码后的参数。

基本遗传算法
SGA是一种群体型操作，该操作以群体中的所有个体为对象，只使用基本遗传算子(Genetic Operator)：选择算子(Selection Operator)、交叉算子(Crossover Operator)和变异算子(Mutation Operator)，是其它一些遗传算法的基础。

表示方法

SGA表示方法

个体的编码方法、个体适应度评价函数、初始种群、种群大小、选择算子、交叉算子、变异算子、遗传运算终止条件

GA步骤

1. 染色体编码
   编码：解空间中的解在遗传算法中的表示形式
   常见的编码方法有二进制编码、格雷码编码、 浮点数编码、各参数级联编码、多参数交叉编码等。
   解码：遗传算法染色体向问题解的转换
2. 初始种群的生成
   随机生成M个个体作为初始化群体P0
3. 适应度值评估检测
   适应度函数表明个体或解的优劣性。
   适应度尺度变换：指算法迭代的不同阶段，能够通过适当改变个体的适应度大小，进而避免群体间适应度相当而造成的竞争减弱，导致种群收敛于局部最优解
   尺度变换常用方法有线性尺度变换、乘幂尺度变换以及指数尺度变换
4. 选择遗传算子
   选择操作从旧群体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代个体
5. 交叉遗传算子
   交叉操作是指从种群中随机选择两个个体，通过两个染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体
   常用的交叉算子有单点交叉、双点交叉或多点交叉、均匀交叉、算术交叉等
6. 变异遗传算子
   为了防止遗传算法在优化过程中陷入局部最优解，在搜索过程中，需要对个体进行变异
   在实际应用中，主要采用单点变异，也叫位变异，即只需要对基因序列中某一个位进行变异
7. 终止判断条件

流程图

GA流程图

干货|遗传算法解决带时间窗的车辆路径规划问题(附java代码及详细注释）

遗传算法求解混合流水车间调度问题（附C++代码）

干货 | 嘿！你和遗传算法的距离也许只差这一文(附C++代码和详细代码注释)