遗传算法基本原理
遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则由经过基因编码的一定数量的个体组成。每个个体实际上是染色体带有特征的实体。作为多个基因的集合，单个染色体是遗传物质的主要载体，其在种群中的命运由其基因组合决定。初始种群产生以后按照优胜劣汰、适者生存的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助代表于自然遗传学的遗传算子进行交叉和变异，产生出代表新的解集的种群。这个过程导致种群像自然进化一样，后代种群比前代更加适应于环境，末代种群中最优个体经过解码，可以作为问题的近似最优解。
遗传算法采纳了自然进化模型，如选择、交叉、迁移、局域与邻域等。与传统搜索算法不同，遗传算法是从一组随机产生的初始解开始搜索过程。种群中的每个个体是问题的一个解，称为“染色体”，染色体是一串符号，比如二进制01串。这些染色体在后续迭代中不断进化，称为遗传。在每一代中用适应度来测量染色体的好坏。生成的下一代染色体称为后代。后代是由前一代染色体通过交叉或者变异运算形成的。新一代形成中，根据适应度的大小选择部分后代，淘汰部分后代，从而保持种群大小的稳定性。适应度高的染色体被选中的概率高，这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。
生物遗传与遗传算法概念比对
遗传算法的基本步骤
- 确定参变量及其各种约束条件，即确定个体的表现形式和问题的解空间
- 建立优化模型，即确定出求解问题的目标函数和数学描述形式及量化方法
- 确定染色体的编码方法，即确定个体的基因形式
- 确定编码方法，即确定出个体的基因形式到个体的表现形式的对应关系和转化方式
- 确定个体适应度的量化评价方法，即确定出目标函数值同个体适应度的转化规则
- 设计遗传算子，即确定出选择算子，交叉算子和变异算子的具体操作方法
- 确定遗传算法的有关运行参数，即确定出遗传算法
遗传算法流程图
遗传算法的特点
传统的优化方法主要有三种：枚举法、启发式算法和搜索算法。随着问题种类的不同以及问题规模的扩大，需要寻求一种能以有限的代价来解决搜索和优化的通用方法，遗传算法正是为我们提供了一个有效的途径，它不同于传统的搜索和优化方法。主要区别在于：
1.自组织、自适应和自学习性
2.遗传算法的本质并行性
3.遗传算法不需要求导或其他的辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数
4.遗传算法强调概率转换规，而不是确定的转换规则
5.遗传算法可以更加直接的应用
6.遗传算法对给定的问题，可以产生许多的潜在解，最终可以由使用者确定
遗传算法的应用
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，所以广泛应用于很多科学。