一、简介
遗传算法（Genetic Algorithm, GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。
二、算法流程
遗传算法和自然选择的过程类似，在种群里面进行繁衍，产生的下一代加入种群，并根据一定的条件淘汰掉部分个体，保持种群个数一定，然后继续下一个循环，当循环次数达到界限或者种群中出现满足要求的个体，停止循环。
遗传算法的过程如下：
我们以数据集的特征选择为例，讲一下里面的一些专有名词。
-
参数编码：一般二进制编码用的稍微多一些，0表示特征没有被选择，1表示特征被选择，一个解决方案会形成一个 1 ∗ n 1*n 1∗n的数组，其中n是数据集的特征数；
-
适应度函数（fitness function）：用于评价当前个体（特征选择的方案）对环境的适应度（性能），用于在繁殖之后淘汰掉部分个体；
-
选择操作：从种群中选择用于繁衍的双亲，选择的方法是轮盘赌(Roulette Wheel Selection)或者轮盘赌的变体。
-
交叉（crossover）操作：类似于染色体交换基因，如果使用二进制编码，会有三种操作模式：（1）单点交叉（single）：比如用于繁衍的双亲是A和B，并且数据集有20个特征，那么在数组里随机选择一个断点，A的前半段和B的后半段组成下一代C，A的后半段和B的前半段组成下一代D；（2）多点交叉：和单点交叉类似，多个断点；（3）均匀交叉（也称一致交叉，uniform）：两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换，从而形成两个新个体；
-
变异（mutation）操作：以特征选择为例，20个特征会形成一个 1 ∗ n 1*n 1∗n的数组，部分1的突变为0，部分0的突变为1；
百度百科对轮盘赌(Roulette Wheel Selection)的解释比较清晰，示例如下：
若产生随机数为0.81，则6号个体被选中。
之前给同学讲这个算法的时候，讲了一个故事辅助理解。羊群共有30只羊（初始化个体数pop_size），40只羊交配产生20只羊（40*0.5， c r o s s − r a t e ∗ p o p − s i z e cross_-rate*pop_-size cross−rate∗pop−size），新产生的20只羊，每个都有可能突变（突变率），最后的60只羊根据适者生存，保留40只，重复这个过程就能选出40只适应能力特别强的羊。
三、参数
遗传算法里面一般有以下参数：
- 迭代次数：算法结束的标准；
- 初始种群个体个数：有多少个方案可供选择。如果太多，算法运行时间比较长；太少不一定能选出最好的结果；
- 交叉率：用于确定下一代的个数， c r o s s − r a t e ∗ p o p − s i z e = n u m − n e w − s o l u t i o n cross_-rate*pop_-size=num_-new_-solution cross−rate∗pop−size=num−new−solution；
- 突变率：主要是确定下一代个体是否产生突变，一般随机产生一个0-1之间的数和突变率比较，决定是否突变；
总结：遗传算法好坏初始种群的选择有很大关系，不一定能够找到最佳方案。
四、代码
代码可以看这篇博客遗传算法详解 附python代码实现
这篇博客在产生后代后，筛选种群并不是完全按照适应度大小选择的，为了陷入局部最优，按照“适应度越高，被选择的机会越高，而适应度低的，被选择的机会就低”的原则进行了折中处理：
def select(pop, fitness): # nature selection wrt pop's fitness
idx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True,
p=(fitness)/(fitness.sum()) )
return pop[idx]
这个对我的启发比较大。
五、参考资料
【算法】超详细的遗传算法(Genetic Algorithm)解析
百度百科–Roulette Wheel Selection
百度百科–遗传算法
利用 Python 实现 遗传算法（GeneticAlgorithm）