遗传算法心得
遗传算法总结
遗传算法遗传算法（Genetic Algorithm, GA）是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。
其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。
遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数来衡量这个解决方案的优劣。
所以从一个基因组到其解的适应度形成一个映射。
可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。
可以这样想象，这个多维曲面里面有数不清的“山峰”，而这些山峰所对应的就是局部最优解。
而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。
而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。
3. 遗传算法：模拟物竞天择的生物进化过程，通过维护一个潜在解的群体执行了多方向的搜索，并支持这些方向上的信息构成和交换。
是以面为单位的搜索，比以点为单位的搜索，更能发现全局最优解。
（在遗传算法中，有很多袋鼠，它们降落到喜玛拉雅山脉的任意地方。
这些袋鼠并不知道它们的任务是寻找珠穆朗玛峰。
但每过几年，就在一些海拔高度较低的地方射杀一些袋鼠，并希望存活下来的袋鼠是多产的，在它们所处的地方生儿育女。
）（或者换个说法。
从前，有一大群袋鼠，它们被莫名其妙的零散地遗弃于喜马拉雅山脉。
于是只好在那里艰苦的生活。
海拔低的地方弥漫着一种无色无味的毒气，海拔越高毒气越稀薄。
可是可怜的袋鼠们对此全然不觉，还是习惯于活蹦乱跳。
于是，不断有袋鼠死于海拔较低的地方，而越是在海拔高的袋鼠越是能活得更久，也越有机会生儿育女。
就这样经过许多年，这些袋鼠们竟然都不自觉地聚拢到了一个个的山峰上，可是在所有的袋鼠中，只有聚拢到珠穆朗玛峰的袋鼠被带回了美丽的澳洲。
）例如我们用GA算法在既定的区间找到以下函数的最大值。
(1)个体编码将x表达为基因的过程，称之为编码，常见的编码格式有二进制编码和浮点编码。
遗传算法读书报告
遗传算法读书报告遗传算法是基于生物进化思想的一种优化方法，因此遗传算法与数学规划类优化方法在原理、实现手段等方面有着明显的差别。
一、基本概念及遗传算法简介1、基本概念（1）个体个体是遗传算法中用来模拟生物染色体的一定数目的二进制位串，该二进制位串用来表示优化问题的设计点。
（2）群体群体是由一定数量的个体组成的集合。
（3）基因模式基因模式是指二进制位串表示的个体中，某一或某些位置上具有相似性的个体组成的集合。
（4）模式阶次模式阶次是指基因模式中包含相似位置的数目。
（5）模式定义长度模式定义长度是基因模式中相似位间相距的最大距离。
（6）适应度适应度是以数值方式来描述个体优劣程度的指标。
（7）平均适应度平均适应度是若干个个体的适应度值的算是平均值。
（8）繁殖繁殖是由一代群体繁衍产生另外一代群体的方式总称。
（9）选择选择算子是指在上一代群体中按照某些指标挑选参与繁殖下一代群体的一定数量的个体。
（10）杂交杂交算子是指对于优选后的父代个体进行基因模式的重组而产生后代个体的繁衍机制。
（11）一点杂交一点杂交是指在代表个体的二进制位串中选择一截断位，将截断位前后的二进制位串互相交换产生后代个体的方式。
（12）两点杂交两点杂交是指在代表个体的二进制位串中选择两个截断位，将两个截断位间的二进制位串互相交换产生后代个体的方式。
（13）突变突变算子是指模拟生物在自然的遗传进化环境中由于各种偶然因素引起的基因模式突然改变的个体繁殖方式。
2、遗传算法简介1）遗传算法主要包括以下内容：（1）构造适应度函数（2）群体的初始化（3）后代群体的繁殖（4）群体进化收敛判断（5）最优个体转化为优化解在优化设计中，设计变量、目标函数、约束条件是优化模型的三个要素。
一般可以利用编码技术对设计变量进行编码，将设计变量转化为适合于群体进化的表达形式。
对目标函数进行处理，使其蕴含于遗传算法的适应度函数。
这样，标函数。
当群体进化结束后，应的目标函数数值最小，该个体即对应优化模型的优化解。
遗传算法的基本原理和对生活的启示
遗传算法的基本原理和对生活的启示一、遗传算法的基本原理遗传算法是一种受自然界进化机制启发的优化算法，其基本原理主要包括基因编码、初始种群的产生、适应度函数的确定、选择操作、交叉操作和变异操作等几个方面。
1.基因编码：遗传算法需要对问题进行编码，将问题的解空间映射到基因空间。
常见的编码方式有二进制编码、实数编码等。
2.初始种群的产生：通过随机方式生成一定数量的初始解，构成初始种群。
3.适应度函数的确定：根据问题的目标函数，定义适应度函数，用于评估种群中每个个体的优劣。
4.选择操作：根据适应度函数，选择适应度较高的个体进行遗传操作，生成下一代种群。
5.交叉操作：通过交叉配对和重组，生成新的个体。
6.变异操作：对个体的一定概率发生基因位的变异，增加种群的多样性。
遗传算法通过不断的迭代，不断优化种群中的个体，最终得到满足要求的最优解。
二、对生活的启示遗传算法的原理不仅在计算机科学中有着广泛的应用，而且也能给我们的生活带来很多启示。
以下是一些主要的启示：1.适应环境：在自然界中，生物通过进化适应环境。
同样，在生活中，我们也应该积极适应环境，不断学习和改进自己。
2.多样性思维：遗传算法中的变异操作增加了种群的多样性，使得算法能够更好地搜索解空间。
在解决问题时，我们也应该尝试多种方法，不要局限于一种思路。
3.持续优化：遗传算法通过不断迭代优化种群中的个体，最终得到最优解。
在生活中，我们也应该不断优化自己的行为和思维，提升自己的能力和素质。
4.合作与竞争：遗传算法中的选择和交叉操作体现了竞争和合作的机制。
在竞争中，优秀的个体得以保留；在合作中，新的个体得以产生。
这启示我们在生活中要学会竞争与合作，互相促进，共同成长。
遗传算法调参技巧与经验分享
遗传算法调参技巧与经验分享引言：随着机器学习和人工智能的快速发展，遗传算法作为一种优化算法，被广泛应用于各个领域。
然而，遗传算法的性能往往受到参数设置的影响。
本文将分享一些遗传算法调参的技巧和经验，帮助读者更好地运用遗传算法解决实际问题。
一、选择适当的遗传算法参数1. 种群大小：种群大小直接影响算法的搜索能力和收敛速度。
通常情况下，较大的种群能够更好地探索搜索空间，但也会增加计算成本。
因此，需要根据问题的复杂度和计算资源的限制来选择适当的种群大小。
2. 交叉概率和变异概率：交叉概率和变异概率决定了遗传算法中遗传操作的强度。
较高的交叉概率能够更好地保留种群中的优秀个体，但也容易导致早熟收敛。
较高的变异概率能够更好地保持种群的多样性，但也容易导致搜索过程陷入局部最优解。
因此，需要根据问题的特点和搜索需求来调整交叉概率和变异概率。
3. 迭代次数：迭代次数决定了遗传算法的搜索深度。
通常情况下，较大的迭代次数能够更充分地搜索解空间，但也会增加计算成本。
因此，需要根据问题的复杂度和计算资源的限制来选择适当的迭代次数。
二、使用适应度函数评估个体适应度适应度函数是遗传算法中的关键组成部分，用于评估个体的适应度。
在选择适应度函数时，需要考虑以下几点：1. 目标函数：适应度函数应该与问题的目标函数相关联。
根据问题的特点，可以选择适当的目标函数来评估个体的适应度。
2. 评估方法：适应度函数的评估方法应该能够准确地反映个体在解空间中的优劣程度。
可以根据问题的特点选择适当的评估方法，如欧氏距离、相关系数等。
3. 正规化：适应度函数的取值范围应该在合理的区间内，以便更好地进行遗传操作。
可以通过线性变换或标准化等方法对适应度函数进行正规化。
三、使用多种交叉和变异操作遗传算法中的交叉和变异操作对于搜索解空间和维持种群多样性至关重要。
为了增加算法的搜索能力，可以尝试多种交叉和变异操作，如单点交叉、多点交叉、均匀交叉、位变异、逆序变异等。
人工智能导论学习体会及遗传算法应用
《人工智能》课程学习体会兼论遗传算法在最优化问题的应用与发展一、《人工智能》课程学习体会1．课程学习历程这学期，在《人工智能》课程学习中，我们以中国大学MOOC网上浙江工业大学王万良教授主讲的《人工智能导论》课程为主。
课上老师给我们讲解了一些课程中的难点，课下老师发放了很多的人工智能课外阅读资料，供我们参考学习。
在学习的过程中，我们先对智能有了初步了解，之后再谈人工智能的概念。
要想实现人工智能，就需要把我们人的思维形式化，于是学习了谓词逻辑知识表示，之后是产生式，然后是概率论和数理统计的一些内容。
掌握了这些之后，我们就可以根据知识去解决问题了。
可是怎么去解决，如何去推出结果，又是一个问题，于是我们学习了一些推理方法，如模糊推理等。
按照智能的定义，那么现在已经基本实现智能了。
即实现了智能=知识+智力，虽然不是真正意义上的智能。
虽然现在可以去处理一些问题了，但是很明显的，它的效率非常的低，甚至于有些问题找到答案花费的时间特别长，是我们无法接受的。
于是我们学习了如A*算法、遗传算法、粒子群优化算法、蚁群算法等一些加快处理问题的算法。
最后，我们学习了神经网络、专家系统、机器学习和智能体系等内容。
对于这些学习的知识，基本上还处于一个了解的水平，要想实际应用还需要更深入的学习。
课下，我们也看了一些和人工智能的书籍，诸如《浪潮之巅》，向我们讲述了科技公司像IBM，微软，英特尔等公司的兴衰；《智能革命》向我们讲述了AI 与我们的生活密切相关，并且越来越离不开智能。
通过阅读这些课外读物，也使得我们对人工智能有了更深的理解与思考。
2．课程学习体会与感悟学习完主要课程之后，给我的第一感觉就是：“哎！怎么还没有学呢！课程就结束了”。
有这样的感觉主要还是受到疫情的影响，在家不能像在学校一样学的那么精细。
很多的知识几乎是走一个概念便草草离场了，同时，人工智能这门课程本身涉及的知识面也比较广，如讲到神经网络的时候提到了生物学中的神经元、突触等这些结构，想一下子掌握这些内容是不可能的。
遗传算法学习心得体会
遗传算法学习心得体会引言遗传算法是一种搜索算法，它模仿了生物进化的过程。
它通过模拟自然选择过程，获取最优解决方案。
遗传算法已经成为优化问题中常用的方法之一。
本文将介绍我在学习遗传算法时的心得体会。
遗传算法的基本模型遗传算法的基本模型包含4个步骤，即初始化、选择、交叉、变异。
1.初始化：随机生成一组初始解，也称为种群。
2.选择：根据适应度函数，选择一些个体作为父代。
3.交叉：将父代之间随机交换染色体的一部分，产生一个新的个体。
4.变异：对新个体的某些基因进行修改，以增加解的多样性。
以上步骤依次执行，产生新的种群。
新种群中的个体的适应度一般比前一代的要好。
遗传算法的应用遗传算法已经被广泛应用于各种问题的优化中，比如函数优化、组合优化、旅行商问题等。
在函数优化问题中，遗传算法可以帮助我们找到一个全局最优解，而不是一个局部最优解。
在组合优化问题中，遗传算法可以帮助我们找到最优的组合方案，比如电路布局问题和调度问题。
在旅行商问题中，遗传算法可以帮助我们找到最短的旅行路线。
遗传算法的优化在使用遗传算法解决问题时，我们需要进行一些优化。
第一个优化点是种群大小的选择。
如果种群太小，则可能会陷入局部最优解；如果种群太大，则可能会增加计算复杂度。
因此，我们需要选择一个适当的种群大小，以便在不牺牲算法效率的情况下，获得较好的结果。
第二个优化点是交叉概率和变异概率的选择。
交叉概率决定了父代个体交叉产生新后代的概率，变异概率决定了新后代染色体上基因变异的概率。
如果交叉概率过大，则可能会导致过早收敛；如果交叉概率过小，则可能会导致收敛速度过慢。
如果变异概率过大，则可能会导致搜索过于随意；如果变异概率过小，则可能会导致陷入局部最优解。
因此，我们需要根据问题的特点，选择一个适当的交叉概率和变异概率。
第三个优化点是适应度函数的定义方式。
适应度函数是遗传算法的核心，它反映了每个个体的生存能力。
如果适应度函数定义方式不当，则可能会导致算法收敛速度下降。
遗传算法优化问题求解中的应用和改进策略思考
遗传算法优化问题求解中的应用和改进策略思考遗传算法是一种受到生物进化理论启发的优化算法，它通过模拟自然选择、交叉和变异等生物的进化过程，在解决复杂问题的同时，不断进化寻找更优解。
遗传算法在问题求解和优化领域有着广泛应用，并且在解决一些难以求解的问题上表现出色。
为了进一步提高遗传算法的效果，可以尝试一些改进策略。
首先，多样性保持是提高遗传算法效果的关键之一。
在算法的迭代过程中，为了保持种群的多样性，可以采取一些措施，如避免早熟收敛、引入多目标函数、动态调整交叉和变异概率等。
这样可以避免算法过早陷入局部最优解，增加全局搜索的能力，提高求解的效果。
其次，选择适当的适应度函数也是改进遗传算法的重要策略之一。
适应度函数是衡量解的优劣程度的指标，选择合适的适应度函数可以更好地引导遗传算法的搜索过程。
在耦合约束的问题中，可以设计考虑约束信息的适应度函数，将约束信息纳入计算，使得算法更加准确地搜索可行解空间。
另外，改进遗传算法的交叉和变异操作也有助于提高算法的性能。
在交叉操作中，可以采用一些新的交叉方式，如基于局部搜索或者专家经验的交叉方式，以增加算法的搜索能力。
在变异操作中，可以引入自适应的变异概率，根据个体适应度的变化动态调整变异的强度，以引入更多的多样性或者加快算法进化的速度。
此外，引入种群的精英保留机制也是提高遗传算法性能的有效策略之一。
将适应度最好的个体保留下来，确保其在下一代种群中存在，防止优秀解的丢失，可以加速算法的收敛速度。
此外，还可以通过并行计算、多目标遗传算法、变邻域搜索等技术来改进遗传算法的性能。
并行计算可以利用多核或分布式计算资源，加快算法的执行速度。
多目标遗传算法则可以应对多目标优化问题，通过维护一个种群中的多个最优解，实现对多个目标的优化。
变邻域搜索则可以通过迭代地搜索附近的解空间，实现对优化解的进一步优化。
总的来说，遗传算法是一种强大而灵活的优化算法，它可以用于解决各种问题。
为了提高算法的效果，我们可以从多样性保持、适应度函数的选择、交叉和变异操作的改进、精英保留机制的引入以及利用并行计算、多目标遗传算法和变邻域搜索等方面入手进行改进。
对于遗传算法实验报告
vｏｉd Extreｍe_Ｖａｌue(bool）;
;）tni,loｏｂ(ｙalｐｓiD diｏvﻩ
;）(M＿yalpsiＤ diovﻩ}; ／／ Ｆｉnd ｔｈe max aｎｄ ｍｉn ｖaluｅ void ＧA::Extreme＿Ｖalｕe(bｏｏl flaｇ){
;))LLUN(ｅmit(dnarｓﻩ
;)(raｅlc、pｏPﻩ
;)(tiｎI_AGﻩ
;)galf（ｅulaV＿emｅrｔxＥﻩ
;)0,gaｌf(ｙalｐsiDﻩ*/
/*;）)LLUN(emit(dnａrsﻩ ｆor(iｎｔ i=１；i<=Nｕm＿Itｅraｔｉon;＋+ｉ）{
;)galf(nｏiｔareｐO＿naPnuLﻩ ﻩ //fｏr(ｖectoｒ<double>::ｉteｒaｔor itｅr=ＬｕnPan、begin(）;ｉter!=LuｎＰan、end();＋+ｉter){
;0＝1muＮceD ｅlbuｏdﻩ
ﻩ ／*string p=*iteｒ；*／
｛)i－-;0=>i;1-)(hｔgnｅl、)rｅｔi*(=i tｎi（rｏｆﻩ
ｔ=ｔ*2;
ﻩ ;ｔ*)８4-］i［)reｔi*(（＝+1muＮcｅDﻩ
｝
ﻩ DｅcＮum1=DｅcNum1*((２*PＩ)/ValueOfSｔrｉng);
ﻩ Oｐｔimal_Min_Functiｏn＿Vａlｕｅ＝Tｅmp；
ﻩ ﻩ ﻩ
；1mｕNｃeＤ=nｏiｔuloS_X_niM_lamitpOﻩ
ﻩ Optimal_Indiｖiduａｌ＝*iｔeｒ;
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
最近在看遗传算法,查了很多资料,所以做了如下一些总结,也希望对后面研究的人有些帮助.因为初学GA,文中自己的见解,不一定全对,感兴趣的可以一起探讨.I简介基本概念遗传算法(Genetic Algorithms, GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
GA的组成:（1）编码（产生初始种群）（2）适应度函数（3）遗传算子（选择、交叉、变异）（4）运行参数编码基因在一定能够意义上包含了它所代表的问题的解。
基因的编码方式有很多，这也取决于要解决的问题本身。
常见的编码方式有：（1）二进制编码，基因用0或1表示（常用于解决01背包问题）如：基因A：00100011010 (代表一个个体的染色体)（2）互换编码（用于解决排序问题，如旅行商问题和调度问题）如旅行商问题中，一串基因编码用来表示遍历的城市顺序，如：234517986，表示九个城市中，先经过城市2，再经过城市3，依此类推。
（3）树形编码（用于遗传规划中的演化编程或者表示）如,问题：给定了很多组输入和输出。
请你为这些输入输出选择一个函数，使得这个函数把每个输入尽可能近地映射为输出。
编码方法：基因就是树形结构中的一些函数。
（4）值编码（二进制编码不好用时，解决复杂的数值问题）在值编码中，每个基因就是一串取值。
这些取值可以是与问题有关任何值：整数，实数，字符或者其他一些更复杂的东西。
适应度函数遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。
适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。
如TSP问题，遍历各城市路径之和越小越好，这样可以用可能的最大路径长度减去实际经过的路径长度，作为该问题的适应度函数。
遗传算子——选择遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小。
选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。
SGA（基本遗传算法）中采用轮盘赌选择方法。
轮盘赌选择又称比例选择算子，基本思想：各个个体被选中的概率与其适应度函数值大小成正比。
设群体大小为n ，个体i 的适应度为Fi，则个体i 被选中遗传到下一代群体的概率为：遗传算子——交叉所谓交叉运算，是指对两个相互配对的染色体依据交叉概率按某种方式相互交换其部分基因，从而形成两个新的个体。
交叉运算在GA中起关键作用，是产生新个体的主要方法。
1. 单交叉点法（用于二进制编码）选择一个交叉点,子代在交叉点前面的基因从一个父代基因那里得到,后面的部分从另外一个父代基因那里得到。
如：交叉前：00000|0111000000001000011100|00000111111000101交叉后：00000|0000011111100010111100|011100000000100002.双交叉点法（用于二进制编码）选择两个交叉点,子代基因在两个交叉点间部分来自一个父代基因,其余部分来自于另外一个父代基因.如：交叉前：01 |0010| 1111 |0111| 01交叉后：11 |0010| 0101 |0111| 113.基于“ 与/或”交叉法（用于二进制编码）对父代按位"与”逻辑运算产生一子代A;按位”或”逻辑运算产生另一子代B。
该交叉策略在解背包问题中效果较好.如：交叉前：0100101111011101交叉后：01001001110111114.单交叉点法（用于互换编码）选择一个交叉点，子代的从初始位置出发的部分从一个基因复制，然后在另一个基因中扫描，如果某个位点在子代中没有，就把它添加进去。
如：交叉前：87213 | 0954698356 | 71420交叉后：87213 | 9564098356 | 721045.部分匹配交叉（PMX）法（用于互换编码）先随机产生两个交叉点，定义这两点间的区域为匹配区域，并用交换两个父代的匹配区域。
父代A：872 | 130 | 9546父代B：983 | 567 | 1420 变为：TEMP A: 872 | 567 | 9546TEMP B: 983 | 130 | 1420对于TEMP A、TEMP Ｂ中匹配区域以外出现的数码重复，要依据匹配区域内的位置逐一进行替换。
匹配关系：1<——>５３<——>６７<——>０子代Ａ：802 | 567 | 9143子代Ｂ：986 | 130 | 54276.顺序交叉法(OX) （用于互换编码）从父代Ａ随机选一个编码子串，放到子代Ａ的对应位置；子代Ａ空余的位置从父代Ｂ中按Ｂ的顺序选取（与己有编码不重复）。
同理可得子代Ｂ。
父代A: 872 | 139 | 0546父代B: 983 | 567 | 1420交叉后：子代A: 856 | 139 | 7420子代B: 821 | 567 | 39047.循环交叉（CX）法（用于互换编码）CX同OX交叉都是从一个亲代中取一些城市，而其它城市来自另外一个亲代，但是二者不同之处在于：OX中来自第一个亲代的编码子串是随机产生的，而CX却不是，它是根据两个双亲相应位置的编码而确定的。
父代Ａ：1 2 3 4 5 6 7 8 9| | | | |父代Ａ：5 4 6 9 2 3 7 8 1可得循环基因：1->5->2->4->9->1用循环的基因构成子代Ａ，顺序与父代Ａ一样1 2 4 5 9用父代Ｂ剩余的基因填满子代Ａ：1 2 6 4 5 3 7 8 9子代Ｂ的编码同理。
（循环基因5->1->9->4->2->5）遗传算子——变异变异是指依据变异概率将个体编码串中的某些基因值用其它基因值来替换，从而形成一个新的个体。
GA中的变异运算是产生新个体的辅助方法，它决定了GA 的局部搜索能力，同时保持种群的多样性。
交叉运算和变异运算的相互配合，共同完成对搜索空间的全局搜索和局部搜索。
注：变异概率Pm不能太小，这样降低全局搜索能力；也不能太大，Pm > 0.5，这时GA退化为随机搜索。
1.基本位变异算子（用于二进制编码）基本位变异算子是指对个体编码串随机指定的某一位或某几位基因作变异运算。
对于基本遗传算法中用二进制编码符号串所表示的个体，若需要进行变异操作的某一基因座上的原有基因值为0，则变异操作将其变为1；反之，若原有基因值为1，则变异操作将其变为0。
如：变异前：000001110000000010000变异后：0000011100010000100002.逆转变异算子（用于互换编码）在个体中随机挑选两个逆转点，再将两个逆转点间的基因交换。
如：变异前：1346798205变异后：1246798305运行参数GA运行时选择的参数应该视解决的具体问题而定，到目前为止，还没有一个适用于GA所有应用领域的关于算法参数的理论。
下面是一般情况下使用GA时推荐的参数：1)交叉率交叉率一般来说应该比较大，推荐使用80％-95％。
2)变异率变异率一般来说应该比较小，一般使用0.5％-1％最好。
3)种群的规模种群规模指的是群体中个体的个数。
实验发现，比较大的种群的规模并不能优化遗传算法的结果。
种群的大小推荐使用20-30，一些研究表明，种群规模的大小取决于编码的方法，具体的说就是编码串（Encoded String）的大小。
也就是说，如果说采用32位为基因编码的时候种群的规模大小最好为32的话，那么当采用16位为基因编码时种群的规模相应应变为原来的两倍。
4)遗传运算的终止进化代数个人的想法是，设定一个计数器，如果连续N代出现的最优个体的适应度都一样时，（严格的说应该是，连续N代子代种群的最优个体适应度都<=父代最优个性的适应度）可以终止运算。
也可以简单的根据经验固定进化的代数。
II运算流程图中的“是否满足停止准则”便可参照上节中“遗传运算的终止进化代数”III灾变与精英主义灾变遗传算法的局部搜索能力较强，但是很容易陷入局部极值。
引用网上的一段原话:“那么如何解决遗传算法容易陷入局部极值的问题呢？让我们来看看大自然提供的方案。
六千五百万年以前，恐龙和灵长类动物并存，恐龙在地球上占绝对统治地位，如果恐龙没有灭绝灵长类动物是绝没有可能统治地球的。
正是恐龙的灭绝才使灵长类动物有了充分进化的余地，事实上地球至少经历了5次物种大灭绝，每次物种灭绝都给更加高级的生物提供了充分进化的余地。
所以要跳出局部极值就必须杀死当前所有的优秀个体，从而让远离当前极值的点有充分的进化余地。
这就是灾变的思想。
”灾变就是杀掉最优秀的个体，这样才可能产生更优秀的物种。
那何时进行灾变，灾变次数又如何设定？何时进行灾变，可以采用灾变倒计数的方式。
如果n代还没有出现比之前更优秀的个体时，可以发生灾变。
灾变次数可以这样来确定，如果若干次灾变后产生的个体的适应度与没灾变前的一样，可停止灾变。
精英主义当利用交叉和变异产生新的一代时，我们有很大的可能把在某个中间步骤中得到的最优解丢失。
精英主义的思想是,在每一次产生新的一代时，首先把当前最优解原封不动的复制到新的一代中。
然后按照前面所说的那样做就行。
精英主义方法可以大幅提高运算速度，因为它可以防止丢失掉找到的最好的解。
矛盾由上面看来,灾变与精英主义之间似乎存在着矛盾.前者是将产生的最优个体杀掉,而后者是将最优秀个体基因直接保存到下一代.应该辩证地看待它们之间的矛盾,两者其实是可以共存的.我们在每一代进行交叉运算时,均直接把最优秀的个体复制到下一代;但当连续N代,都没有更优秀的个体出现时,便可以猜想可能陷入局部最优解了,这样可以采用灾变的手段.可以说,精英主义是伴随的每一代的,但灾变却不需要经常发生,否则算法可能下降为随机搜索了.当然,每个算法中不一定要用精英主义和灾变的手段,应该根据具体的问题而定.IV GA的特点遗传算法的优点:（1）群体搜索，易于并行化处理；（2）不是盲目穷举，而是启发式搜索；（3）适应度函数不受连续、可微等条件的约束，适用范围很广。
（4）容易实现。
一旦有了一个遗传算法的程序，如果想解决一个新的问题，只需针对新的问题重新进行基因编码就行；如果编码方法也相同，那只需要改变一下适应度函数就可以了。
遗传算法的缺点:（1）全局搜索能力不强,很容易陷入局部最优解跳不出来；(可结合SA进行改进,因为SA在理率上是100%得到全局最优的,但搜索代价高)。