1概念：

遗传算法是进化算法的一种，用来解决最优化的搜索算法。一般用于函数优化，组合优化（NP完全问题如0-1背包问题，最短路径问题等）。其核心思想是达尔文优胜劣汰适者生存的思想，一个种群在自然界中不断繁衍，将适合环境的优良性状保留下来，而因为小概率发生的基因突变而出现的优秀性状也能保留至下一代。

运用在解决问题的时候，便可参照这种思想：首先随机生成若干对解，使用一个符合问题的评价标准来检验这些解，选择适应度高的解，衍生出适应度更高的解，如此反复，直到得到近似最优解。

2算法设计：

遗传算法需要具备，一个基本函数：适度函数；三个基本操作：选择，交叉，突变。其流程具体如下：初始化种群->循环（评价种群中个体的适应度->以比例原则选择产生下一个种群->改变该种群即交叉和变异）->直到停止循环的条件满足。

3遗传算法名词：

群体规模：种群中染色体个体的数目

编码：对问题集进行转化，最常用的编码技术是二进制编码，具有简单易行，符合最小字符集编码原则，便于用模式定理分析的有点。

适应度函数：用来评价个体的优劣，求个体的适应度，需要根据具体问题进行构造。

算子选择：在挑选个体的时候遵循的方法，有“轮盘法”、“竞标赛法”、“线性排序法”。其中“线性排序法”容易只挑选当前群体中分数最高的个体，会使收敛速度太快，造成“早熟”现象，从而得出区域最优解而不是全局最优解。而“轮盘法”和“竞标赛法”属于按比例原则选择下一代的方法，效果较好。

交叉：常用的是单点交叉，即随机选择两个染色体当中某段基因进行交换，形成新的染色体。模拟自然界当中的染色体交叉互换。

交叉率：控制交叉操作的使用频率，交叉操作可以加速收敛，达到最优解区域，因此一般取较大的交叉率，但交叉率太大容易造成过早收敛。

变异：随机选择某条染色体的某个基因进行改变，二进制编码下的方法为0à1，1à0的操作。模拟自然界的基因突变。

变异率：控制变异操作的概率，一般比较低。

终止条件：结束迭代的条件。一般有，进化次数限制、计算耗费的资源限制、一个个体已经满足最优值得条件、不再有新的个体产生等。

简单实例编码实现：

函数为y=x2+5的最大值，0