这几天读书（人工智能相关），遇到了好多奇奇怪怪的“概念”。比如下面这个遗传算法
遗传算法
遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。
遗传算法(Genetic Algorithm :GA)是有密歇根大学的约翰·霍兰德于1975年创造出来的，其基础就是达尔文的进化论
尔文的进化论：达尔文认为，生物之间存在着生存争斗，适应者生存下来，不适者则被淘汰，这就是自然的选择。生物正是通过遗传、变异和自然选择，从低级到高级，从简单到复杂，种类由少到多地进化着、发展着。
此外，达尔文认为“变异”是随机的，“进化”和进步是不同的。没有特定方向的偶然变异是一种机械论。
因此，认定“优等个体=优秀回答”，让计算机使用进化的方法找出最佳的答案，这就是遗传算法。
遗传算法的使用方法
遗传算法擅长从“无数答案”中，找出或解出最佳的那一个。
流程如下：
遗传算法应用
由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性（健壮和强壮），所以广泛应用于许多科学。
遗传算法广泛应用于游戏，股票交易，飞行线路优化，飞机机翼大小灯多个领域。
不足之处
- 编码不规范及编码存在表示的不准确性。
- 单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。
- 遗传算法通常的效率比其他传统的优化方法低。
- 遗传算法容易过早收敛。
- 遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。
参考资料
- 《漫画人工智能》
- 百度百科——遗传算法