虽然之前已经接触过遗传算法了，但这还是第一次 真刀真枪的在MATLAB上面写，记录一下，以供参考

总的来说遗传算法是一个基于随机过程的算法，其目标是为了max或min一个目标函数的值，求解的过程不是严格的推导，而是类似于随机产生个体，筛选最优解，不断的迭代，以此达到求解最优值。下面对其思想和理论做一些我个人的理解

遗传算法是为了求解目标函数的最优值(max=f(x1,x2,…xn))，而目标函数的最优值通过参数x1 x2…xn控制，那么我们把x1 x2 … xn等每个参数都表示为一个基因，如此一来，我们就有了n个基因构成一组解，我们把这n个基因构成的一组解称为染色体，而许多染色体组成了种群，下面梳理一下：

• 基因——参数
• 染色体——解
• 种群——一系列解

所以，我们的目标就是，找到一个最优的染色体，那么如何找到这个最优的染色体呢？下面就讲解一下流程

1.首先，我们初始化一组解，这最开始的一组解可以随机的生成

2.然后我们计算这一组解的适应度，适应度其实就是我们要max或min的函数转换成的，一般来说，一个染色体的适应度越高，那么他存活的几率最高，所以，如果我们的目标是max f(x1 … xn) 那么可以直接用目标函数求出的解作为适应度，如果目标是min的话，用其倒数。

3.筛选，找到适应度后，从这一代的种群里面筛选，采用随机的方法，把适应度不太好的解都随机地筛掉，选取出适应度比较好的解

4.杂交，随机的选择染色体进行杂交，杂交是如何来理解的呢，可以类似的理解为，参数的随机组合，比如说现在有一个染色体x1 x2 x3… xn=a1 a2 a3 … an 另外有一个染色体是b1 b2 b3 … bn 那么这两条染色体进行杂交，产生的结果可能是两个染色体的随机组合，a1 a2 b3 b4 ……，会有什么作用呢？这就要想一下遗传算法的总过程了，遗传算法会筛选出优秀的解，那么这些优秀的解里面的参数可能就是一些比较优秀的参数，这样让他们直接互换，互相杂交，就可能会把两个解的优秀基因融合在一起，这样就生成了一个更优的个体，这个更优的染色体就更可能被遗传下去，如此反复迭代，最终生成一个接近于最优的染色体。

5.变异，变异是随机的使解里面的基因产生变化，这样就可以产生新的基因以供筛选

6.如果迭代到一定代数，或达到一个比较稳定的值(连续n带没有发生变化)，那么可以结束遗传算法，并从最后一代里面选取最优染色体作为整个算法最终的解。如果没有达到这个值，那么就把筛选、杂交、变异产生的新的一组解作为新的一代，然后返回第2步，对着新的一代重新进行筛选、杂交、变异，如此反复；

这就是遗传算法的大致过程了，上面也掺杂了很多个人的理解，下面解释一下贯穿整个算法的问题——如何用基因表示参数，用染色体表示解，答案就是编码

编码——把一组解编制为一串特色的编码，方式有很多。较为常用的是二进制编码、实数编码、符号编码，以二进制编码为例，我们知道一组解是由参数组成的，那么参数应该有对应的取值范围和取值粒度，我们把这些参数离散化，比如说x1取值范围是0-1，精确到小数点后3位，那么离散化之后x1的取值就是0、0.001、0.002、0.003、……0.999、1.0，一共有1001个可能的取值，那么我们用一个10位的二进制串表示这1001个可能的取值，00000000对应0 00000001对应0.001、0000000010对应0.002、……

解码——编码的逆过程

杂交和变异都在这些被编码过后的串上面进行，生成新一代的种群后，在进行下一次评估的时候，把种群里面的基因解码为参数，然后计算适应度

筛选也有多种筛选方法，通常来说，各个方法基本都是筛选出适应度较大的解，可以通过随机选择个体比较、直接排序筛选、轮盘筛选等方法

杂交也有很多不同的方法，不过大同小异，基本上都是选择染色体上面的区间，两个染色体交换区间里面的内容

变异也有很大不同的方法，某个基因的某个位置变异、局部顺序颠倒等，变异的目的是为了基因的多样性，所以选择如何变异影响不大，主要是变异的概率，如果变异概率太高，那么优良基因很可能会遭到破坏，如果变异概率过低，种群多样性下降太快，要选取一个合适的值，一般可以取0.001·0.2

下面以2011B实操一下：

待补充……