标签：初始化 步骤 修改 随机 优化问题 矩阵 产生 二进制 最大
遗传算法（GA）是一种受进化论启发而发明的算法。
对于一个优化问题，遗传算法的思路是通过编码将解空间映射到编码空间，
在编码空间内进行“优胜劣汰”的自然选择，
迭代次数足够多时，群体将会收敛到适应度最大的点。
举例说明：
对于一个典型的优化问题，求闭区间【a, b】上f(x)最小值。
1.首先，将解空间【a,b】通过编码函数F映射到编码空间，比如长度为B的二进制编码。
2.初始化种群Chrom，种群中个体数目为N，每个个体是长度为B的二进制串。Chrom是N*B的矩阵。
3.在群体Chrom内进行【选择，重组，变异】操作，产生子代
4.子代插入群体Chrom，得到新的Chrom。如果不够迭代次数，回到第3步。
5.得出种群Chrom中最优的个体，解码，输出。
解空间和编码空间之间的映射关系，只需要定义编码空间到解空间的映射F-1即可进行后续的算法。
选择：从种群中选择部分（或全部）个体，选择的依据是个体的适应度
重组：从选择步骤中的个体，按一定概率（与个体的适应度有关）配对，配对后交叉编码
变异：按照较小的概率（变异概率一般很小），随机修改部分个体的编码
适应度，目标值：
需要最小化的函数f(x)的函数值，就是目标值。
根据目标值计算适应度。比如，最小化问题，函数值越小适应度应该越高。
标签：初始化 步骤 修改 随机 优化问题 矩阵 产生 二进制 最大
原文地址：https://www.cnblogs.com/tangjicheng/p/9119672.html
