遗传算法

在计算机科学和运筹学中，遗传算法（GA）是一种元启发式的自然选择过程，属于较大的进化算法（EA）。遗传算法通常被用来生成高质量的优化和搜索问题的解决方案，依靠的是受生物启发的运算符，如变异、交叉和选择。遗传算法的一些应用实例包括优化决策树以提高性能，解决数独谜题，超参数优化等。

群体大小取决于问题的性质，但通常包含几百或几千个可能的解决方案。通常，初始群体是随机产生的，允许整个可能的解决方案（搜索空间）的范围。偶尔，解决方案可以在可能找到最优解决方案的区域被播种。

在每一个连续的世代中，现有种群的一部分被选择来繁殖新的世代。个别解决方案是通过一个基于健身的过程来选择的，其中更适合的解决方案（由健身函数衡量）通常更可能被选中。某些选择方法对每个解决方案的适用性进行评级，并优先选择最佳解决方案。其他方法只对群体的随机样本进行评级，因为前一个过程可能非常耗时。健身函数是在遗传表示上定义的，并衡量表示的解决方案的质量。健身函数总是取决于问题。例如，在背包问题中，人们希望xxx限度地提高可以放在某个固定容量的背包中的物体的总价值。一个解决方案的代表可能是一个比特数组，其中每个比特代表一个不同的物体，而比特的值（0或1）代表该物体是否在背包中。

不是每一个这样的表示都是有效的，因为物体的大小可能超过背包的容量。如果表示是有效的，解决方案的适用性是背包中所有对象的值之和，否则就是0。在一些问题中，很难甚至不可能定义适配性表达式；在这些情况下，可以用模拟来确定表征的适配性函数值（例如，用计算流体力学来确定车辆的空气阻力，其形状被编码为表征），甚至可以使用交互式遗传算法。

下一步是从那些被选中的解决方案中产生第二代种群，通过一个com