本文參考：維基百科 華南理工大學電子講義 互聯網
-------------------------------------------------------------------------------
一、初探遺傳算法
Ok，先看維基百科對遺傳算法所給的解釋：
遺傳算法是計算數學中用於解決最優化的搜索算法，是進化算法的一種。進化算法最初是借鑒了進化生物學中的一些現象而發展起來的，這些現象包括遺傳、突變、自然選擇以及雜交等。
遺傳算法通常實現方式為一種計算機模擬。對於一個最優化問題，一定數量的候選解（稱為個體）的抽象表示（稱為染色體）的種群向更好的解進化。傳統上，解用二進制表示（即0和1的串），但也可以用其他表示方法。進化從完全隨機個體的種群開始，之後一代一代發生。在每一代中，整個種群的適應度被評價，從當前種群中隨機地選擇多個個體（基於它們的適應度），通過自然選擇和突變產生新的生命種群，該種群在算法的下一次迭代中成為當前種群。
光看定義，可能思路並不清晰，咱們來幾個清晰的圖解、步驟、公式：
基本遺傳算法的框圖：
所以，遺傳算法基本步驟是：
1） 初始化 t←0進化代數計數器；T是最大進化代數；隨機生成M個個體作為初始群體 P（t）；
2） 個體評價 計算P（t）中各個個體的適應度值；
3） 選擇運算 將選擇算子作用於群體；
4） 交叉運算 將交叉算子作用於群體；
5） 變異運算 將變異算子作用於群體，並通過以上運算得到下一代群體P（t + 1）;
6） 終止條件判斷 t≦T：t← t+1 轉到步驟2；
t>T：終止 輸出解。
好的，看下遺傳算法的偽代碼實現：
▲Procedures GA： 偽代碼
begin
initialize P(0);
t = 0; //t是進化的代數，一代、二代、三代...
while(t <= T) do
for i = 1 to M do //M是初始種群的個體數
Evaluate fitness of P(t); //計算P（t）中各個個體的適應度
end for
for i = 1 to M do
Select operation to P(t); //將選擇算子作用於群體
end for
for i = 1 to M/2 do
Crossover operation to P(t); //將交叉算子作用於群體
end for
for i = 1 to M do
Mutation operation to P(t); //將變異算子作用於群體
end for
for i = 1 to M do
P(t+1) = P(t); //得到下一代群體P（t + 1）
end for
t = t + 1; //終止條件判斷 t≦T：t← t+1 轉到步驟2
end while
end
二、深入遺傳算法
1、智能優化算法概述
智能優化算法又稱現代啟發式算法，是一種具有全局優化性能、通用性強且適合於並行處理的算法。
這種算法一般具有嚴密的理論依據，而不是單純憑借專家經驗，理論上可以在一定的時間內找到最優解或近似最優解。
遺傳算法屬於智能優化算法之一。
常用的智能優化算法有：
遺傳算法 、模擬退火算法、禁忌搜索算法、粒子群算法、蟻群算法。
（本經典算法研究系列，日後將陸續闡述模擬退火算法、粒子群算法、蟻群算法。）
2、遺傳算法概述
遺傳算法是由美國的J. Holland教授於1975年在他的專著《自然界和人工系統的適應性》中首先提出的。
借鑒生物界自然選擇和自然遺傳機制的隨機化搜索算法。
模擬自然選擇和自然遺傳過程中發生的繁殖、交叉和基因突變現象。
在每次迭代中都保留一組候選解，並按某種指標從解群中選取較優的個體，利用遺傳算子(選擇、交叉和變異)對這些個
體進行組合，產生新一代的候選解群，重復此過程，直到滿足某種收斂指標為止。
基本遺傳算法（Simple Genetic Algorithms，GA)又稱簡單遺傳算法或標准遺傳算法），是由Goldberg總結出的一種最基本的遺傳算法，其遺傳進化操作過程簡單，容易理解，是其它一些遺傳算法的雛形和基礎。
3、基本遺傳算法的組成
（1）編碼（產生初始種群）
（2）適應度函數
（3）遺傳算子（選擇、交叉、變異）
（4）運行參數
接下來，咱們分門別類，分別闡述著基本遺傳算法的五個組成部分：
1、編碼
遺傳算法（GA）通過某種編碼機制把對象抽象為由特定符號按一定順序排成的串。
正如研究生物遺傳是從染色體著手，而染色體則是由基因排成的串。
基本遺傳算法（SGA）使用二進制串進行編碼。
初始種群：基本遺傳算法（SGA）采用隨機方法生成若干個個體的集合，該集合稱為初始種群。
初始種群中個體的數量稱為種群規模。
2、適應度函數
遺傳算法對一個個體（解）的好壞用適應度函數值來評價，適應度函數值越大，解的質量越好。
適應度函數是遺傳算法進化過程的驅動力，也是進行自然選擇的唯一標准，
它的設計應結合求解問題本身的要求而定。
3.1、選擇算子
遺傳算法使用選擇運算對個體進行優勝劣汰操作。
適應度高的個體被遺傳到下一代群體中的概率大；適應度低的個體，被遺傳到下一代群體中的概率小。
選擇操作的任務就是從父代群體中選取一些個體，遺傳到下一代群體。
基本遺傳算法（SGA）中選擇算子采用輪盤賭選擇方法。
Ok，下面就來看下這個輪盤賭的例子，這個例子通俗易懂，對理解選擇算子幫助很大。
