浅谈遗传算法

0、前言
解决运筹优化问题，无非就是使用精确算法和启发式算法。精确算法，比如分支定界，割平面，分支定价，benders分解，列生成，动态规划等等。很多求解软件就是基于精确算法开发的，比如cplex、Gurobi等等。启发式算法，我所知道的可以分为三种：进化算法，如遗传算法，禁忌搜索算法，模拟退火算法；群体算法，如蚁群算法，粒子群算法等；神经网络系列算法。经过一年的学习，看了一些算法，也动手实现了一些算法，后面有很长空闲时间的时候我会将自己的理解写出来，以便自己忘的时候再温习，可能有很多错误，希望网友指正。下面进入正题。我文字表达能力一般，可能很多人读起来不是很清楚。我会把自己编过的一些这方面的代码放到github上。

1、背景介绍
这部分参考别人文章，文章末尾标注出处。遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 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。因此在介绍遗传算法前有必要简单的介绍生物进化知识。
作为遗传算法生物背景的介绍，下面内容了解即可：
　　种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
　　个体：组成种群的单个生物。
　　基因 ( Gene ) ：一个遗传因子。
　　染色体 ( Chromosome ) ：包含一组的基因。
　　生存竞争，适者生存：对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
　　遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变 ( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

2、主要过程
因此，遗传算法的一般流程（通用，不同问题设计的遗传算法不同，最好看论文）包括：
（1）根据问题的形式，确定问题解的编码形式。比如经典的TSP问题，编码形式一般为城市编号的序列。
（2）构造初始解。构造初始解一般采用随机的方式，但是很多问题随机方式产生的初始解效果极差且时间很慢，因此设定一些启发式规则。
（3）计算个体的适应度。适应度是评判个体优劣的标准，我的习惯是如果问题是最小化问题，则用M-目标函数做为适应度函数。
（4） 选择。计算完个体的表现，要确定哪些个体参与进化。选择的种类也很多，我在一本书上看到很多种介绍，但原理都是一样的，都是让高适应度的个体以高概率参与到进化中。经典的选择方式是轮盘赌。
（5）交叉。交叉也有很多种形式，单点交叉，多点交叉，基于位置交叉等等。有时候为了保护个体的可行性，要进行特殊的交叉。以我在一篇SCI论文中看到的一种交叉为例子。两条父代染色体中选择其中一 条，随机选择一断点，进行交叉操作。断点右侧的 基因序列继承到子代时的顺序与另外一个父代中 相应基因序列的顺序保持一致。具体步骤如下图所 示:

具体交叉变异的深刻认识，以后有机会在一些遗传算法的改进上再讨论。本次只写遗传算法的基本流程介绍。
（7）精英保留。很多遗传算法里都会加入精英保留策略。这使得好的解一定会继承到下一代，但是如果过多的将精英解继承，很容易出现早熟即过早收敛。
3、整体过程
最经典的遗传算法框架都是，选择完个体，以一定的交叉概率判断是否发生交叉操作。然后再以一定的概率判断交叉后的个体是否发生变异。即先交叉后变异。但是很多文章中以一种奇特的方式并行进化，即交叉变异保留精英同时进行，选择完后，确定哪些个体保留精英直接继承到下一代，哪些个体发生交叉操作，哪些个体发生变异操作，这种方式的效果对于某些问题效果很好。
还有很多遗传算法的改进，比如动态调整交叉变异概率，动态调整交叉变异顺序，以及双种群遗传算法，引入竞争机制，遗传与其他算法的融合等等，还有很多中文文章号称可以避免早熟提出很多名字很响亮的算法，我是表示怀疑的，不过多评判。后续会对一些遗传算法的改进进行总结说明，也会把自己的code放到Github上。
遗传算法是最流行的算法，因为其容易上手，效果较好，但是想对其进行改进却是很难的。

注：文章开头的背景介绍参考的一篇叫做白话讲解遗传算法的博主文章。其余均是自己的小论文和参考一些英文文章中的内容。