遺傳演算法（genetic algorithms ，ga）**於自然界自然選擇和遺傳進化的思想，主要用於解決最優化問題（optimization problems）。遺傳演算法最早在20世紀70年代由john holland提出。但實際上，我更認為其發明者是達爾文。遺傳演算法本質上是達爾文「優勝劣汰，適者生存」的演化論思想在計算機中的對映。
一、基本概念
與演化論相似，遺傳演算法有幾個核心概念。知道演化論或學過生物的很容易理解。
個體（individual）：乙個猴子，乙個猩猩，乙個人。
種群（population）：一群猴子，一群猩猩，一群人。
基因（gene）：個體攜帶的基因。
染色體（chromosome）：由基因拼接組成；作為個體的藍本，在演算法中一般代表個體自身。
遺傳演算法基於如下進化理論的模擬：
（1）個體在種群中因為資源或配偶進行競爭；
（2）優秀的個體在競爭中更有優勢；
（3）優秀個體相互結合能夠產生更優秀的後代。
二、怎樣判斷優秀個體？
那麼，怎麼知道哪個是優秀的個體，哪個是不優秀的個體呢？在遺傳演算法中用「適應度值（fitness）」來度量，至於適應度值高是優秀還是低是優秀，看具體的問題了。
在演算法實施過程中需要乙個「適應度值計算函式」，來計算種群中每個個體的適應度值（fitness）。
三、怎樣實施進化過程？
遺傳演算法的過程不複雜。
1）根據問題需要，隨機生成個體，個體的數量可自行控制。
2）將個體組成乙個種群。這前2個過程一般合併在一起。
3）計算個體適應度值。
4）根據適應度值選擇優秀的個體。
5）將優秀的個體進行結合，產生乙個或多個後代。
6）某個個體產生基因變異，變成了乙個新個體。
7）將所有新個體加入到種群中，根據適應度值淘汰較差個體，使種群中個體數量保持不變。
8）滿足退出條件就退出，不滿足就轉向步驟3）。
四、三個核心步驟
（1）選擇（selection）
關鍵思想：優秀的個體有更多的機會把基因傳給下一代。
選擇的基準就是個體的適應度。而選擇的策略根據問題和程式設計師自身意圖，可以採用多種策略。一般使用較廣、且易於實現的是輪盤賭策略（roulette wheel selection）。
假設種群中有6個個體，適應度值分別是[2,3,10,5,12,19]，其輪盤是如下形式：
我們轉動輪盤，顯然適應度越大的有更大的概率被選中。其簡單的解釋性**可以表示如下：
# -*- coding: utf-8 -*-
import numpy as np
s = [2, 3, 10, 5, 12, 19] # 種群和個體
s_sum = sum(s) # 所有適應度的和
m = 0
r = np.random.random() # 0-1之間的隨機數
c = 0
for i in range(len(s)):
m += s[i] / s_sum
if r <= m:
c = i
break
print(c) # 最後選中個體的序號
（2）結合（或稱交叉，crossover）
交叉過程根據問題和程式設計師的意圖可自行設計。下面給出單點交叉法的過程示意圖。
兩個個體parent1和parent2，各分成2部分基因片段。分別將parent1的前部分基因片段和parent2的後部分基因片段，parent1的後部分基因片段和parent2的前部分基因片段相結合，生成了2個後代child1和child2。每個後代都擁有parent1和parent2的一部分基因。
在每一代進化中，交叉過程不是一定發生的，一般基於設定的概率發生。而這個概率設定的較高，一般在0.6以上。如果交叉不發生，parent1和parent2直接複製進入新種群。如果交叉發生，則對child1，child2，parent1，parent2進行適應度比較後，保留較好的進入新種群，也可以都進入新種群，具體怎麼做沒有標準，可以根據具體問題自行選擇。
（3）變異（mutation）
為了確保種群的多樣性，允許種群中有個體的基因變異。在實際問題中是跳出區域性最優解。下圖表示種群中某個個體的一段基因編碼發生變異，生成了乙個新個體。在每一代進化中，變異概率設定的較低，一般在0.1以下。注意：交叉概率和變異概率乙個較大，乙個較小，但不是交叉概率和變異概率之和一定等於1，沒有這種說法，這兩個概率沒有相關性。
變異可以基於交叉後產生的個體，也可以基於種群中的所有個體，這個可以根據具體問題自行決策。
python遺傳演算法 Python 遺傳演算法實現
關於遺傳演算法 遺傳演算法是仿照自然界中生物進化而產生的一類優化演算法。個人感覺遺傳演算法簡單粗暴，適應性廣。關於遺傳演算法的介紹網上有很多了，這裡按照我自己的理解簡單概括一下。編碼解碼，將待優化的引數編碼為dna序列，最簡單直接的為二進位制編碼 即有兩種鹼基的dna鏈 生成隨機初代 選擇，適應度 ...
遺傳演算法 python 簡書 遺傳演算法
優化的演算法有很多種，從最基本的梯度下降法到現在的一些啟發式演算法，如遺傳演算法 ga 差分演化演算法 de 粒子群演算法 pso 和人工蜂群演算法 abc 舉乙個例子，遺傳演算法和梯度下降 梯度下降和遺傳演算法都是優化演算法，而梯度下降只是其中最基礎的那乙個，它依靠梯度與方向導數的關係計算出最優值...
遺傳演算法歸納
遺傳演算法 genetic algorithm 是一類借鑑生物界的進化規律 適者生存 優勝劣汰遺傳機制 演化而來的隨機化搜尋方法。其主要特點是直接對結構物件進行操作，不存在求導和函式連續性的限定 具有內在的隱並行性和更好的全域性尋優能力 採用概率化的尋優方法，能自動獲取和指導優化的搜尋空間，自適應地...