简单的遗传算法java实例

        遗传算法，顾名思义，是在计算机中模拟自然界中的进化过程，优胜劣汰，从而得到出最优个体的算法。因此我们可以从自然界的进化过程着手，来理解什么是遗传算法。

        在自然界中，物种的进化往往是以外界环境的变化为开端的，比如水中生物用于水下呼吸的鳃，南极生物皮下厚厚的脂肪，都是适应外界环境的结果。而在遗传算法中，算法想要达到的目的就是这里的“外界环境”，于是我们设置了一个数值来评估每个个体与外界环境的契合程度，称为“适应度（Fitness）”。比如你想要求一个函数的最大值，那么函数值的大小就是其适应度；你想求两地之间的最短路线，那么距离就是其适应度。

        了解过进化过程的人都知道，进化本质上是一个“筛选”的过程，基因随机产生变异，然后携带劣质基因的个体由于不能适应环境而被淘汰，如此循环很多代之后，留存下来的都会是适应度很高的个体。这个优胜劣汰的过程，在遗传算法中称为“选择（Select）”。

        自然界的种群，是靠繁殖来补充在选择过程中的淘汰的个体，在繁殖的过程中，父母的染色体重新组合，使得子女会带有父母的部分基因，更有一定可能会集成父母二者的优势。遗传算法中，随机选取两个个体，让二者的染色体随机重组生成一条或多条新染色体的过程，称为“交叉（Cross）”。

        除了交叉之外，还有一个提升基因多样性的重要手段，就是“变异（Mutation）”，在算法中表现为将某一位进行反转，来模拟自然界中的基因突变。

        遗传算通过选择，交叉，变异操作对种群进行不断迭代，就会使得整个群体的适应度越来越高，使其中的最优个体不断的逼近最优解。但是想要完成一个完整的遗传算法，还需要一些其它的组成部分，接下来结合代码进行说明。

注：个体&染色体：本文假定每个个体只含有一个染色体，因此“染色体”和“个体”均表示基因的载体，在阅读中二者可以认为是同一种东西。

遗传算法解决函数优化问题实例：

适应度：要求函数的最小值，那么就要使得到结果越小的个体，适应度越高。

精度：想要精确到小数点后6位，那么定义域的区间至少需要划分成6*10^6等份，再求出表示这个量级所需要的二进制位数，作为基因的位数

终止条件：通常是达到指定迭代次数和达到指定精度便停止迭代，输出结果。本文代码为了便于观察只设置了迭代次数作为终止条件。

为了便于以后修改，我将每一个步骤都写成了单独的类。

1.编码和解码

编码：初始化，将染色体的每一位都随机置为0或1

//初始化群体（编码）
public class ClsInit {
	
	//初始化一条染色体
	public String initSingle(int GENE){
		String res = "";
		for(int i = 0; i < GENE; i++){
			if(Math.random() < 0.5){
				res += 0;
			}else