首先介绍什么是遗传算法。
由一个问题引入，求某函数f(x)在区间[a,b]上的最大值。
这看似简单，我们很快会说，求他的导数，然后等于0即可。
但是往往在应用中，f(x)未知，或很难解析，这就让求导这类方法变得困难。
于是科学家们联想到了生物里的进化论，给出了这样一个很有意思的求解过程。
首先你先随机出一些数对，x从对应的区间中随机，y就是他们对应的f(x).
干嘛呢？把他们看做进化论中的个体。x是基因型，y是表现型，你作为上帝，目标是选出表现型比较大的值。
于是你根据，y的值，把一些数对搞死了。
然后再让剩下的进行繁殖——把基因编码，也就是把float映射成二进制数组，然后把这个数组看成生物上的基因序列，交叉重组，产生下一代，然后这个过程中往往还伴随着变异。
如此反复。我们可以发现，最后留在种群里的，会集中在f(x)的极大值点附近。
这就描述了遗传算法的过程。
初始化随机数据->筛选->编码->重组->变异->迭代。
然后我们再想想在游戏里用这个能干嘛。
其实游戏人工智能很大的不同在于，我们致力于研究最有趣的AI，而非最优秀的AI。
所以我们在游戏里用遗传算法去模拟种群，很大程度是希望看到，玩家对游戏世界作出的动作，在最终宏观的影响了整个游戏世界，体现一种很强的自由度——而并非真正希望AI在进化过程中成长成可以对抗玩家的AI。
那么如何在游戏里运用遗传算法呢？
要做一个小小的改动——大多的遗传算法往往是先迭代完成，计算出最优解，然后投入应用。而游戏里——我们说了，我们并不关心最优解，我们关心他在变化。所以我们不在游戏初始化的时候，直接完成遗传算法的迭代，而是在游戏中实时的计算这个个体的情况，并每个一段时间进行一次迭代，这次迭代将决定下一代的个体，如此往复，直到游戏最后结束。
最后讲一讲我们将用到的优化——可以使用多线程和池化技术。
因为这个遗传算法的维护和主逻辑是可分离的，确切的说，遗传算法的迭代过程中，和主逻辑并不冲突，相反，由于遗传算法在迭代下一代的过程中，计算非常集中，所以在这个阶段会严重阻塞主逻辑。
所以我们可以使用多线程，用一个线程去维护一个种群的遗传算法。
而至于池化，是因为在迭代过程中要消亡上一代，生成下一代，也就是生成、销毁操作非常频繁，这种情况是可以使用池化，具体请参考上一篇文章。
下一篇，我们讲一些具体的代码实现。