注：建议先看一些科普的再看本文，本文只是为了自己理解和备份，如果能启发他人，那就是最大的荣幸，故文字写的比较精简，算法参考《MATLAB智能算法30个案例分析》（史峰等）第二章

概念

遗传算法(GA，Genetic Algorithm)，也称为进化算法。遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。其主要特点是直接对结构对象进行操作，因此不同于其他求解最优解的算法，遗传算法不存在求导和对函数连续性的限定，采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。[引用CSDN博主「冉冉云」]

目标

对于一个函数F（x1,x2,x3,x4）,变量数目任意，这里以4个数为例，编码采用实数编码。

初始化种群

随机产生一群满足约束条件的解（个体），如：

个体1（解1）：（1,2,3,4）

个体2（解2）：（2,2,4,4）

个体3（解3）：（2,2,5,4）

个体4（解4）：（1,5,3,5）

...

所有个体组成一个种群，所以遗传算法需要定义种群规模，即个体数目。

进化操作

选择

把个体（解）代入目标函数，看看是不是离目标（最值）接近，越接近的个体（解）越容易保留下来。

譬如：计算发现个体1-个体3更好，保留。个体4（解4）淘汰

个体1（解1）：（1,2,3,4）

个体2（解2）：（2,2,4,4）

个体3（解3）：（2,2,5,4）

交叉（以前我一直想不明白，直到看了算法具体运行）

对于实数编码，解的数组就是染色体，如个体1的染色体即为（1,2,3,4）

那么交叉就选择两个进行交叉，由于两个解都是选择后的，离最优解接近，所以交叉后就可能是更优解了譬如：

个体1 2的3号染色体交叉

交叉前：

个体1（解1）：（1,2,3,4）

个体2（解2）：（2,2,4,4）

交叉后：

个体1（解1）：（1,2,4,4）

个体2（解2）：（2,2,3,4）

变异（确保跳出局部解）

操作同上，直接贴图了。

继续进化

 

 

小结

因此，遗传算法不能保证一定能求得最优解，而只能以一定的概率求最优解。

个人觉得关键是选择和进化（不断淘汰不符合条件的），如果初始能穷举所有的可行解，那么交叉和变异意义不大了，但正式不可能穷举，引入了交叉变异。

通过以上描述，我们不难看出，遗传算法不能保证一定能求得最优解，而只能以一定的概率求最优解。但是使用遗传算法时，我们可以不用关心具体如何去找最优解，要做的只是简单的否定一些表现不好的个体。这一优点也是遗传算法能够取得广泛应用的原因之一。[引用CSDN博主「冉冉云」]

学习资源

https://www.cnblogs.com/LoganChen/p/7509702.html

https://www.zhihu.com/question/23293449/answer/120220974

学习笔记

交叉概率一般取为0.4-0.99..
变异概率一般取为0.0001-0.1.
遗传代数一般取100-500.