遗传算法（Genetic Algorithm）及python实现

遗传算法

遗传算法的定义

遗传算法（Genetic Algorithm, GA）是一种以达尔文物种进化理论的自然选择理论和遗传学机理为基础，这是一种随机换算法，它的结果是不确定的。它 模拟了种群一代一代进化的过程，它可以通过评估函数对个体进行选择和淘汰，再依据交叉与变异来模拟生物进化，从而经过一代代的进化搜索出最优解。

遗传算法将每一个个体作为对象，最终结果也是选择出最为优良的个体。遗传算法所涉及的操作有选择、交叉、变异，核心在于如何完成初始化群体的设定，如何设置遗传算法操作。

遗传算法需要解决的问题是如何筛选出最适于在当前环境生存的种群（population）。而一个种群则是由个体（individual）组成的，每个个体都是带有不同特征表现的实体，都由基因（gene）编撰而成的染色体（chromosome）组成且代表了个体的性状。基因、染色体、种群的关系从下图中可以比较明显的看出来。

遗传算法的流程

遗传算法的起点在于根据所要解决的问题进行"数字化"编码，例如在使用logistics算法过程中，不同feature的权值即为该问题的编码。其次，要随机初始化种群，种群里面的每个个体就是这些数字化的编码，就想之前图样中$A_i$表现得那样。

初代种群产生之后，按照"适者生存，优胜劣汰"的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators&