对于遗传算法：遗传算法是一种用于解决最优化的搜索算法，也是进化算法的一种。取名遗传就是因为它借鉴了生物学中的一些概念，比如说遗传、变异、自然选择以及杂交等等。

对于个体：遗传算法中的个体可以抽象为染色体，然后使得种群向更好的方向进化。一般来说，染色体可以用一系列0和1的串来表示，通常使用的也就是二进制表示法。

对于进化：首先生成随机个体构成的种群，然后每个个体都有自己的适应度，基于适应度随机选择多个个体，然后通过自然选择以及突变产生新的生命种群，进行下一次的迭代。

GA参数(接下来代码中要使用的)：

特点：

∙ \bullet ∙ 当适应度函数选择不当时，可能会收敛于局部最优。在这篇文章中我们的适应度函数就是计算的函数，函数值越大，适应性越好。

∙ \bullet ∙ 初始化种群的数量十分重要，初始种群多大，算法会占用大量资源；初始种群小时，可能不能求出最优解。

∙ \bullet ∙ 对于每个解，我们都要对其进行编码，这样才方便写下面的交叉、变异函数。

∙ \bullet ∙ 变异率也是一个重要的参数。

∙ \bullet ∙ 选择过程很重要，下面再具体的代码中讲解我们的选择思路。

∙ \bullet ∙ 遗传算法很快就能找到良好的解，即使是在很复杂的解空间中。

任务:使用遗传算法求得函数 y = 10 × s i n ( 5 x ) + 7 ∣ x − 5 ∣ + 10 y = 10×sin(5x)+7\left |x-5 \right |+10 y=10×sin(5x)+7∣x−5∣+10的最大值,定义域为[0,10]。函数图像如下所示：

∙ \bullet ∙ GA参数的设定（放在主函数中）：

∙ \bullet ∙ 初始化种群函数initpop：两个参数，popsize值种群规模，binarylength值二进制编码长度。注意：我们认定最左边为最高位！

这里我们使用numpy的函数来生成0、1序列，给大家看一看结果： ∙ \bullet ∙ 将二进制编码转换为十进制数（指定定义域内）的函数bintodec：参数ypop为种群参数，因为计算过程中要修改二级制种群中的数值，所以我们拷贝了种群函数进行处理。

∙ \bullet ∙ 计算种群适应度函数cal_objval：适应度为其对应的函数值，函数值越大，适应度越高。

∙ \bullet ∙ 选择函数selection，参数pop为种群，参数fitval为种群适应度，参数popsize为种群规模。根据其适应度选择个体，适应度高的个体我们多选择一些，来替换掉适应度低的个体（总个体数仍为popsize）。返回新生成的种群。

∙ \bullet ∙ 交叉函数crossover：参数pop为种群，参数pc为交叉概率。生成同样规格的newpop数组来存储新种群。

交叉规则：我们将其分成50对染色体，相邻的两个染色体为新染色体的父本和母本。每次随机生成一个数，如果生成数落在交叉概率pc外（大于pc）说明不需要进行交叉操作，那么将父本和母本原封不动的拷贝到两个子代个体中。如果生成数落在交叉概率pc内（小于pc）说明需要进行交叉操作，那么我们再随机生成一个0-9的数cpoint，我们将父本中[0:cpoint]和母本中[cpoint+1:py]组合形成第一个子代个体，将母本[0:cpoint]和父本[cpoint+1:py]组合形成子代第二个个体。对于50对染色体重复该操作，生成新的100个个体。