遗传算法也成进化算法，该算法受到达尔文进化论的启发提出的一种启发式搜索算法。

进化论

种群

生物的进化以群体的形式进行，这样的一个群体称为种群。

个体

组成种群的单个生物。

基因

一个遗传因子。

染色体

包含一组的基因。

生存竞争，适者生存

对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。

遗传与变异

新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。

综述

繁殖过程，会发生基因交叉，基因突变 ，适应度低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

遗传算法

遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。下面以0-1背包问题来讲解下遗传算法的步骤

编码

需要将问题的解编码成字符串的形式才能使用遗传算法。最简单的一种编码方式是二进制编码，即将问题的解编码成二进制位数组的形式。例如，问题的解是整数，那么可以将其编码成二进制位数组的形式。将0-1字符串作为0-1背包问题的解就属于二进制编码。

选择

选择一些染色体来产生下一代。一种常用的选择策略是比例选择。也就是轮盘赌算法，如下图所示

群体中每一染色体指定饼图中一个小块。块的大小与染色体的适应性分数成比例，适应性分数愈高，它在饼图中对应的小块所占面积也愈大。为了选取一个染色体，要做的就是旋转这个轮子，直到轮盘停止时，看指针停止在哪一块上，就选中与它对应的那个染色体。

若产生随机数为0.81，则6号个体被选中。

// 轮盘赌代码示意/** 按设定的概率，随机选中一个个体* P[i]表示第i个个体被选中的概率*/int RWS(){    m =0;    r =Random(0,1); //r为0至1的随机数    for(i=1;i<=N; i++)    {        /* 产生的随机数在m~m+P[i]间则认为选中了i         * 因此i被选中的概率是P[i]         */        m = m + P[i];        if(r<=m) return i;    }}

2条染色体交换部分基因，来构造下一代的2条新的染色体。父辈染色体00000|011100000000|1000011100|000001111110|00101随机交叉遗传00000|000001111110|1000011100|011100000000|00101

变异

新产生的染色体中的基因会以一定的概率出错，称为变异。变异前: 000001110000000010000变异后: 000001110000100010000我们认为染色体交叉的概率为Pc，染色体变异的概率为Pm。适应度函数:用于评价某个染色体的适应度，用f(x)表示。有时需要区分染色体的适应度函数与问题的目标函数。例如：0-1背包问题的目标函数是所取得物品价值，但将物品价值作为染色体的适应度函数可能并不一定适合。适应度函数与目标函数是正相关的，可对目标函数作一些变形来得到适应度函数。

遗传算法核心表示

/** * 交叉遗传的概率Pc * 遗传变异的概率Pm * 种群规模M * 终止进化代数G * 当产生出一个个体的适应度超过给定Tf,则终止进化 */ 步骤1 初始化产生 Pc Pm M G Tf参数并随机生成第一代种群population,简称P1 初始化P = P1 do { 	计算P中每一个个体的适应度F(i) 	初始化空种群newP 	do { 		根据适应度比例选择算法选择出2个个体 		if (rnd1 < Pc) { 			进行交叉操作 		} 		if (rnd2 < Pm) { 进行变异操作 } 将两个操作后的个体放进newP中,即产生的新个体进入新的种群 } until (M个个体被创建) P = newP } until(任何染色体满足适应度或者繁殖代数>G)

在这里我们看到了，这个随机选择以及产生后代的方式需要斟酌，如果设定的不好，那么很有可能这个种族最后就灭绝了，算个说话也就是我们没有得到我们的解。大自然这里还有一个规律叫做：物竞天择 适者生存在我们这里也需要对算法进行优化：择优 为了防止进化过程中产生的最优解被交叉和变异所破坏，可以将每一代中的最优解原封不动的复制到下一代中。

具体实例

理解实例

求 f(x1, x2) = x1^3 + x2^2 + (x1 * (x1 – x2))的最大值，其中x1属于{-5, -3, 1, 3, 5}, x2属于{0, 2, 4}当然这个题目解法很多，穷举方法也非常的迅速。这个例子为了更加透彻的理解遗传算法。步骤1 编码我们此处定义隐射关系为[[0] = -5,[1] = -3,[2] = 0,[3] = 1,[4] = 2,[5] = 3,[6] = 4,[7] = 5]8可以用4位二进制表示,而x1和x2则用8位二进制即可完成验证比如{0110|0110}则表示[x1 = 3, x2 = 4]步骤2 生成种群,注意生成种群的数量以及作用域关系，写一段js代码来进行测试

生成个体

步骤3 随机选择父代进行通过交叉和变异生成子代（选出适应度较高的进行）

产生多代并得到最后结果

150

代码示意，因为没有变异以及编码是否可以有更好的办法，所以只为显示整体过程

console.log("遗传算法");var everyone = [];var number = 200;function in_array(search, array){    for(var i in array){        if(array[i]==search){            return true;        }    }    return false;}var genChromosome = function(scope) {    var timestamp = new Date().getTime();    var index = Math.ceil(Math.random() * timestamp) % scope.length;    var chromosome = scope[index].toString(2);    while (chromosome.length < 4) {        chromosome = "0" + chromosome;    }    return chromosome;}// 计算每个的适应度var calFitness = function(omo) {    var codes = [-5, -3, 0, 1, 2, 3, 4, 5];    var arr1 = [-5, -3, 1, 3, 5];    var arr2 = [0, 2, 4];    var x1 = codes[parseInt(omo.substr(0, 4), 2)];    var x2 = codes[parseInt(omo.substr(4, 4), 2)];    if (x1 != undefined && x2 != undefined && in_array(x1, arr1) && in_array(x2, arr2)) {        return x1 * x1 * x1 + x2 * x2 + (x1 * (x1 - x2));    }    return -9999;}function sortNumber(a,b) {     return a - b } $('#genUnit').click(function() {    $('#geti').html('');    var scope1 = [0, 1, 3, 5, 7];    var scope2 = [2, 4, 6];    // 生成50组个体    everyone = [];    for (var i = 0; i < number; i++) {        var new_omo = genChromosome(scope1) + genChromosome(scope2);        everyone.push (new_omo);    }    for (var i = 0; i < everyone.length; i++) {        $('#geti').append(everyone[i] + " ");        if ((i + 1) % 10 == 0) {            $('#geti').append("");        }    }});// 交叉函数var cross = function(omo1, omo2) {    // 针对这个，四位是一个染色体特征控制    var ret = "";    var timestamp = new Date().getTime();    var rnd = Math.ceil(Math.random() * timestamp) % 4;    if (rnd <= 1) {        // 互换前四位        for (var i = 0; i < 4; i++) {            var tmp = omo1[i];            omo1[i] = omo2[i];            omo2[i] = tmp;        }    } else if (rnd <= 3) {        // 互换后四位        for (var i = 4; i < 8; i++) {            var tmp = omo1[i];            omo1[i] = omo2[i];            omo2[i] = tmp;        }    }    var rnd_next = Math.ceil(Math.random() * timestamp) % 2;    if (rnd_next == 0) {        ret = omo1;    } else {        ret = omo2;    }    return ret;}// 变异函数var variation = function(omo1, omo2) {    // 变异某一位，然后做交叉运算    // 这里暂时不需要，所以直接进行选择    var timestamp = new Date().getTime();    var rnd_next = Math.ceil(Math.random() * timestamp) % 2;    if (rnd_next == 0) {        ret = omo1;    } else {        ret = omo2;    }    return ret;}// 判断结束var finish = function() {    // 这里直接看第五十代}$('#genNextUnit').click(function() {    if (everyone.length == 0) {        return    }    // 至少5代且满足best适应值占75%或最多50代    var g_num = 0;    while (g_num < 50) {        // 假设淘汰20%，最优的保留，剩下随机        var fitness_score = [];        for (var i = 0; i < everyone.length; i++) {            fitness_score.push(parseInt(calFitness(everyone[i])));        }        fitness_score.sort(sortNumber);        var over = Math.ceil(fitness_score.length * 0.2)        for (var i = 0; i < over; i++) {            fitness_score.shift();        }        var best = fitness_score[fitness_score.length - 1];        // 生成子代        var new_generation = [];        while (new_generation.length < number) {            var curr_unit;            // 选择            var timestamp = new Date().getTime();            var choose_fitness1 = everyone[Math.ceil(Math.random() * timestamp) % everyone.length];            var choose_fitness2 = everyone[Math.ceil(Math.random() * timestamp) % everyone.length];            if (calFitness(choose_fitness1) == best && calFitness(choose_fitness2) == best) {                // 进行交叉                curr_unit = cross(choose_fitness1, choose_fitness2)                if (Math.ceil(Math.random() * timestamp) % 100 < 2) {                    // 进行变异                    curr_unit = variation(choose_fitness1, choose_fitness2)                }            } else if (Math.ceil(Math.random() * timestamp) % 100 > 50) {                // 进行交叉                curr_unit = cross(choose_fitness1, choose_fitness2)                // 进行变异                if (Math.ceil(Math.random() * timestamp) % 100 < 2) {                    // 进行变异                    curr_unit = variation(choose_fitness1, choose_fitness2)                }            }            if (curr_unit != undefined) {                if (calFitness(curr_unit) > -9999) {                    new_generation.push(curr_unit);                }            }        }        everyone = new_generation;        g_num = g_num + 1;    }    var fitness_score = [];    for (var i = 0; i < everyone.length; i++) {        fitness_score.push(parseInt(calFitness(everyone[i])));    }    console.log(everyone[0]);    fitness_score.sort(sortNumber);    var best_number = fitness_score[fitness_score.length - 1];    $('#zidai').html(best_number);    // 01110010});