遗传算法——耐心看完,你就掌握了遗传算法
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
遗传算法原理
遗传算法原理
遗传算法(Genetic Algorithm, GA)是一种进行寻优的计算机算法，它模拟了生物学中的遗传进化过程，以解决复杂的优化问题。
遗传算法以可解释的方式，模拟了自然界中物种进化的过程，该算法是基于遗传学原理，被广泛应用于计算机科学和人工智能领域，通常用于解决复杂的优化问题，如函数优化，规划，调度等。
遗传算法的基本思想是：模拟生物种群的进化过程，通过这个过程，使“更有效的染色体”在种群中得到更多的保留，而“较差的染色体”被淘汰。
染色体的变异也可以提供更好的适应性，从而引入新的染色体，从而改善种群的适应性。
遗传算法一般由以下步骤组成：初始化种群，评估染色体的适应性，选择优良的染色体，交叉，变异，替换，重复上述步骤，直至满足结束条件。
遗传算法的优势在于它可以解决复杂的优化问题，而且它具有可靠性，可重复性，适应性，可扩展性和可解释性。
此外，它还可以有效地避免局部最优解，因为它模拟了自然进化的过程，可以自动搜索和探索全局最优解。
总之，遗传算法是一种用于解决复杂优化问题的有效算法，它模拟了自然界中物种进化的过程，可以有效解决全局最优解问题，具有
可靠性，可重复性，适应性，可扩展性和可解释性。
遗传算法总结
遗传算法总结遗传算法概念遗传算法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，它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，它既能在搜索中⾃动获取和积累有关空间知识，并⾃适应地控制搜索过程以求得最优解遗传算法操作使⽤适者⽣存的原则，在潜在的解决⽅案种群中逐次产⽣⼀个近视最优⽅案。
在遗传算法的每⼀代中，根据个体在问题域中的适应度值和从⾃然遗传学中借鉴来的再造⽅法进⾏个体选择，产⽣⼀个新的近视解。
这个过程导致种群中个体的进化，得到的新个体⽐原个体更适应环境，就像⾃然界中的改造⼀样。
应⽤遗传算法在⼈⼯智能的众多领域具有⼴泛应⽤。
例如，机器学习、聚类、控制（如煤⽓管道控制）、规划（如⽣产任务规划）、设计（如通信⽹络设计、布局设计）、调度（如作业车间调度、机器调度、运输问题）、配置（机器配置、分配问题）、组合优化（如TSP、背包问题）、函数的最⼤值以及图像处理和信号处理等等。
遗传算法多⽤应与复杂函数的优化问题中。
原理遗传算法模拟了⾃然选择和遗传中发⽣的复制、交叉、和变异等现象，从任⼀初始种群出发，通过随机选择、交叉、变异操作，产⽣⼀群更适合环境的个体，使群体进⾏到搜索空间中越来越好的区域，这样⼀代⼀代地不断繁衍进化，最后收敛到⼀群最适合环境的个体求得问题的最优解。
算法流程1.编码：解空间中的解数据x，作为作为遗传算法的表现型形式。
从表现型到基本型的映射称为编码。
遗传算法在进⾏搜索之前先将解空间的解数据表⽰成遗传空间的基本型串结构数据，这些串结构数据的不同的组合就构成了不同的点。
2.初始种群的形成：随机产⽣N个初始串数据，每个串数据称为⼀个个体，N个串数据构成了⼀个群体。
遗传算法以这N个串结构作为初始点开始迭代。
设置进化代数计数器t 0;设置最⼤进⾏代数T；随机⽣成M个个体作为初始群体P(0)。
3.适应度检测：适应度就是借鉴⽣物个体对环境的适应程度,适应度函数就是对问题中的个体对象所设计的表征其优劣的⼀种测度。
遗传算法的基本原理与应用
遗传算法的基本原理与应用1. 引言遗传算法是一种模拟自然界中生物进化过程的优化算法，它广泛应用于解决各种优化问题。
本文将介绍遗传算法的基本原理和常见应用。
2. 遗传算法的基本原理遗传算法基于达尔文的进化理论，通过模拟生物群体中的遗传、交叉和变异等基因操作，完成对问题空间的搜索和优化。
2.1 遗传算法的基本流程遗传算法的基本流程包括初始化种群、评价适应度、选择、交叉、变异和更新种群等步骤。
1.初始化种群：随机生成初始种群，每个个体表示问题的一个解。
2.评价适应度：根据问题的目标函数，计算每个个体的适应度。
3.选择：根据个体的适应度，选择优秀的个体进入下一代种群。
4.交叉：随机选择两个个体，通过染色体交叉产生新的个体。
5.变异：对新个体的染色体进行变异操作，引入新的基因。
6.更新种群：使用新的个体更新当前种群。
7.重复步骤2-6，直到满足停止条件。
2.2 遗传算法的核心概念在遗传算法中，有几个核心概念需要理解。
•染色体：个体的染色体由基因组成，每个基因表示问题的一个变量。
•适应度函数：用于评价个体的优劣程度，通常是问题的目标函数。
•选择算子：根据个体的适应度选择优秀个体进入下一代。
•交叉算子：通过染色体交叉产生新的个体。
•变异算子：对个体的染色体进行变异操作，引入新的基因。
3. 遗传算法的应用遗传算法在许多领域都有广泛的应用。
以下列举几个常见的应用领域。
3.1 组合优化问题遗传算法可以用于解决组合优化问题，如旅行商问题、背包问题等。
通过遗传算法的搜索和优化能力，可以找到近似最优的解决方案。
•旅行商问题：通过遗传算法优化旅行商的路径，使得旅行总距离最短。
•背包问题：通过遗传算法选择物品放入背包，使得总价值最大且不超过背包容量。
3.2 机器学习遗传算法可以用于机器学习中的模型选择和参数优化。
•模型选择：通过遗传算法从候选模型中选择最佳模型。
•参数优化：通过遗传算法搜索模型的最佳参数配置。
3.3 排班优化遗传算法可以应用于企业员工排班问题，优化排班方案，提高员工满意度和企业效益。
遗传算法的基本原理与流程
遗传算法的基本原理与流程遗传算法是一种模拟生物进化过程的优化算法，它通过模拟自然选择、交叉和变异等过程，逐步搜索最优解。
本文将介绍遗传算法的基本原理与流程。
一、基本原理遗传算法的基本原理是基于达尔文的进化论和孟德尔的遗传学理论。
它将问题的解表示为一个个体的染色体，染色体由基因组成。
每个基因代表问题的一个变量或决策。
通过改变基因的组合，可以得到不同的解。
而适应度函数则用来评估每个个体的适应程度，即解的优劣程度。
遗传算法的核心思想是通过模拟自然选择、交叉和变异等过程，逐步优化解的质量。
在自然选择中，适应度高的个体有更大的概率被选择为父代，而适应度低的个体则有较小的概率被选择。
交叉操作模拟了生物的基因交换过程，将两个父代个体的染色体片段进行交叉，生成新的个体。
变异操作则模拟了基因突变的过程，通过改变染色体中的基因值，引入新的解。
二、流程遗传算法的流程一般包括初始化、选择、交叉、变异和更新等步骤。
1. 初始化：首先，需要确定问题的解空间和染色体编码方式。
然后，随机生成一组初始个体作为种群。
2. 选择：根据适应度函数，选择适应度较高的个体作为父代。
常见的选择方法有轮盘赌选择、锦标赛选择等。
3. 交叉：从父代中选取两个个体进行交叉操作，生成新的个体。
交叉操作可以是单点交叉、多点交叉或均匀交叉等。
4. 变异：对新生成的个体进行变异操作，引入新的解。
变异操作可以是位变异、插入变异或交换变异等。
5. 更新：根据适应度函数，选择新生成的个体和原始个体中适应度较高的个体，更新种群。
以上步骤可以迭代执行，直到满足终止条件，例如达到最大迭代次数或找到满意的解。
三、应用与优势遗传算法广泛应用于组合优化、函数优化、机器学习等领域。
它具有以下优势：1. 全局搜索能力：遗传算法能够在解空间中进行全局搜索，避免陷入局部最优解。
2. 并行性：由于遗传算法的并行性，可以同时处理多个个体，加快搜索速度。
3. 适应性：遗传算法能够自适应地调整搜索策略，根据不同问题的特点进行优化。
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面容了解即可：种群(Population)：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 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B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。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )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。
二.遗传算法思想借鉴生物进化论，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。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
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。
遗传算法的使用方法和技巧指南
遗传算法的使用方法和技巧指南遗传算法是一种启发式优化算法，它模拟了自然界中的生物进化过程来解决问题。
它具有强大的搜索能力和全局优化能力，在各个领域都有广泛的应用。
本文将介绍遗传算法的基本原理、使用方法以及一些重要的技巧指南。
一、遗传算法的基本原理遗传算法基于生物进化的思想，通过模拟人工选择、交叉和变异等过程来生成和更新解的种群，并利用适应度函数对种群进行评估和选择，以期望通过迭代的方式找到最优解。
遗传算法的基本流程如下：1. 初始化种群：随机生成一组个体作为初始种群。
2. 适应度评估：根据问题的特定要求，计算每个个体的适应度值。
3. 选择操作：利用适应度值选择父代个体进行繁殖，常用的选择算法有轮盘赌选择和竞争选择等。
4. 交叉操作：通过交叉运算生成新的后代个体，交叉操作能够保留父代的有益特征。
5. 变异操作：对交叉后的个体进行基因的随机变异，增加种群的多样性。
6. 替换操作：根据一定的规则，用新生成的后代个体替换原始种群中的一部分个体。
7. 终止条件判断：根据迭代次数或者达到某个预定义的解的条件，判断是否终止迭代。
8. 返回最优解。
二、遗传算法的使用方法为了正确有效地使用遗传算法，我们需要遵循以下几个步骤：1. 理解问题：首先，要准确理解问题的特性和要求，包括确定问题的目标函数、约束条件等。
只有对问题有清晰的认识，才能设计合适的遗传算法。
2. 设计编码方案：将问题的解表示为染色体的编码方案，更好的编码方案可以减少解空间的搜索范围。
常用的编码方式有二进制、浮点数、整数等。
3. 确定适应度函数：根据问题的特点，设计合适的适应度函数用于度量个体的优劣。
适应度函数应能够将问题的目标转化为一个数值，使得数值越大越好或者越小越好。
4. 选择操作：选择操作决定了如何根据适应度值选择父代个体。
常用的选择算法有轮盘赌选择、竞争选择、排名选择等。
轮盘赌选择是普遍应用的一种方法，根据个体的适应度值按比例选择。
5. 交叉操作：交叉操作决定了如何生成新的后代个体。
遗传算法简介与基本原理
遗传算法简介与基本原理遗传算法是一种模拟自然进化过程的优化算法，它通过模拟生物进化中的遗传、交叉和变异等过程，来寻找问题的最优解。
遗传算法在解决复杂问题、优化搜索和机器学习等领域有广泛的应用。
一、遗传算法的基本原理遗传算法的基本原理是受到达尔文进化论的启发，模拟了自然界中的生物进化过程。
它通过对候选解进行编码、选择、交叉和变异等操作，逐代迭代，不断优化求解的问题。
1. 编码：遗传算法首先需要对问题的解进行编码，将问题的解表示为染色体或基因的形式。
染色体通常由二进制串组成，每个基因代表一个问题的解。
2. 选择：在每一代中，遗传算法通过选择操作，根据适应度函数的评估结果，选择一部分优秀的个体作为父代，用于产生下一代的个体。
选择操作通常使用轮盘赌算法或竞争选择算法。
3. 交叉：在选择操作之后，遗传算法通过交叉操作，将父代个体的染色体进行交叉配对，产生新的个体。
交叉操作可以通过单点交叉、多点交叉或均匀交叉等方式实现。
4. 变异：为了增加算法的多样性和搜索空间，遗传算法引入了变异操作。
变异操作通过对个体的染色体进行随机的变换，以引入新的解，并防止算法陷入局部最优解。
5. 评估：在每一代中，遗传算法需要根据问题的特定要求，对每个个体的适应度进行评估。
适应度函数用于度量个体的优劣程度，通常越优秀的个体具有越高的适应度。
6. 迭代：通过不断地进行选择、交叉、变异和评估等操作，遗传算法逐代迭代，直到满足停止条件或达到最大迭代次数。
最终，遗传算法将输出找到的最优解或近似最优解。
二、遗传算法的应用遗传算法在许多领域都有广泛的应用，尤其是在复杂问题求解和优化搜索方面。
1. 组合优化问题：遗传算法可以用于求解组合优化问题，如旅行商问题、背包问题等。
通过编码问题的解和适应度函数的设计，遗传算法可以在大规模的搜索空间中找到最优解或近似最优解。
2. 机器学习：遗传算法可以用于机器学习中的特征选择、参数优化和模型优化等问题。
通过对候选解的编码和适应度函数的设计，遗传算法可以帮助机器学习算法找到更好的模型和参数组合。
- 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)。
遗传算法入门到掌握读完这个讲义，你将基本掌握遗传算法，要有耐心看完。
想了很久，应该用一个怎么样的例子带领大家走进遗传算法的神奇世界呢？遗传算法的有趣应用很多，诸如寻路问题，8数码问题，囚犯困境，动作控制，找圆心问题（这是一个国外网友的建议：在一个不规则的多边形中，寻找一个包含在该多边形内的最大圆圈的圆心。
），TSP问题（在以后的章节里面将做详细介绍。
），生产调度问题，人工生命模拟等。
直到最后看到一个非常有趣的比喻，觉得由此引出的袋鼠跳问题（暂且这么叫它吧），既有趣直观又直达遗传算法的本质，确实非常适合作为初学者入门的例子。
这一章将告诉读者，我们怎么让袋鼠跳到珠穆朗玛峰上去(如果它没有过早被冻坏的话)。
问题的提出与解决方案让我们先来考虑考虑下面这个问题的解决办法。
已知一元函数：图2-1现在要求在既定的区间内找出函数的最大值。
函数图像如图2-1所示。
极大值、最大值、局部最优解、全局最优解在解决上面提出的问题之前我们有必要先澄清几个以后将常常会碰到的概念：极大值、最大值、局部最优解、全局最优解。
学过高中数学的人都知道极大值在一个小邻域里面左边的函数值递增，右边的函数值递减，在图2.1里面的表现就是一个“山峰”。
当然，在图上有很多个“山峰”，所以这个函数有很多个极大值。
而对于一个函数来说，最大值就是在所有极大值当中，最大的那个。
所以极大值具有局部性，而最大值则具有全局性。
因为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（fitness function）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。
所以也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。
在这个多维曲面里面也有数不清的“山峰”，而这些最优解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。
（另外，值得注意的是遗传算法不一定要找“最高的山峰”，如果问题的适应度评价越小越好的话，那么全局最优解就是函数的最小值，对应的，遗传算法所要找的就是“最深的谷底”）如果至今你还不太理解的话，那么你先往下看。
本章的示例程序将会非常形象的表现出这个情景。
“袋鼠跳”问题既然我们把函数曲线理解成一个一个山峰和山谷组成的山脉。
那么我们可以设想所得到的每一个解就是一只袋鼠，我们希望它们不断的向着更高处跳去，直到跳到最高的山峰（尽管袋鼠本身不见得愿意那么做）。
所以求最大值的过程就转化成一个“袋鼠跳”的过程。
下面介绍介绍“袋鼠跳”的几种方式。
爬山法、模拟退火和遗传算法解决寻找最大值问题的几种常见的算法：1. 爬山法（最速上升爬山法）：从搜索空间中随机产生邻近的点，从中选择对应解最优的个体，替换原来的个体，不断重复上述过程。
因为只对“邻近”的点作比较，所以目光比较“短浅”，常常只能收敛到离开初始位置比较近的局部最优解上面。
对于存在很多局部最优点的问题，通过一个简单的迭代找出全局最优解的机会非常渺茫。
（在爬山法中，袋鼠最有希望到达最靠近它出发点的山顶，但不能保证该山顶是珠穆朗玛峰，或者是一个非常高的山峰。
因为一路上它只顾上坡，没有下坡。
）2. 模拟退火：这个方法来自金属热加工过程的启发。
在金属热加工过程中，当金属的温度超过它的熔点（Melting Point）时，原子就会激烈地随机运动。
与所有的其它的物理系统相类似，原子的这种运动趋向于寻找其能量的极小状态。
在这个能量的变迁过程中，开始时。
温度非常高，使得原子具有很高的能量。
随着温度不断降低，金属逐渐冷却，金属中的原子的能量就越来越小，最后达到所有可能的最低点。
利用模拟退火的时候，让算法从较大的跳跃开始，使到它有足够的“能量”逃离可能“路过”的局部最优解而不至于限制在其中，当它停在全局最优解附近的时候，逐渐的减小跳跃量，以便使其“落脚”到全局最优解上。
（在模拟退火中，袋鼠喝醉了，而且随机地大跳跃了很长时间。
运气好的话，它从一个山峰跳过山谷，到了另外一个更高的山峰上。
但最后，它渐渐清醒了并朝着它所在的峰顶跳去。
）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。
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。
）（后来，一个叫天行健的网游给我想了一个更恰切的故事：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。
）下面主要介绍介绍遗传算法实现的过程。
遗传算法的实现过程遗传算法的实现过程实际上就像自然界的进化过程那样。
首先寻找一种对问题潜在解进行“数字化”编码的方案。
（建立表现型和基因型的映射关系。
）然后用随机数初始化一个种群（那么第一批袋鼠就被随意地分散在山脉上。
），种群里面的个体就是这些数字化的编码。
接下来，通过适当的解码过程之后，（得到袋鼠的位置坐标。
）用适应性函数对每一个基因个体作一次适应度评估。
（袋鼠爬得越高，越是受我们的喜爱，所以适应度相应越高。
）用选择函数按照某种规定择优选择。
（我们要每隔一段时间，在山上射杀一些所在海拔较低的袋鼠，以保证袋鼠总体数目持平。
）让个体基因交叉变异。
（让袋鼠随机地跳一跳）然后产生子代。
（希望存活下来的袋鼠是多产的，并在那里生儿育女。
）遗传算法并不保证你能获得问题的最优解，但是使用遗传算法的最大优点在于你不必去了解和操心如何去“找”最优解。
（你不必去指导袋鼠向那边跳，跳多远。
）而只要简单的“否定”一些表现不好的个体就行了。
（把那些总是爱走下坡路的袋鼠射杀。
）以后你会慢慢理解这句话，这是遗传算法的精粹！题外话：这里想提一提一个非主流的进化论观点：拉马克主义的进化论。
法国学者拉马克（Jean-Baptiste de Lamarck,1744～1891）的进化论观点表述在他的《动物学哲学》（1809）一书中。
该书提出生物自身存在一种是结构更加复杂化的“内驱力”，这种内驱力是与生俱来的，在动物中表现为“动物体新器官的产生来自它不断感觉到的新需要。
”不过具体的生物能否变化，向什么方向变化，则要受环境的影响。
拉马克称其环境机制为“获得性遗传”，这一机制分为两个阶段：一是动物器官的用与不用（即“用进废退”：在环境的作用下，某一器官越用越发达，不使用就会退化，甚至消失。
）；二是在环境作用下，动物用与不用导致的后天变异通过繁殖传给后代（即“获得性遗传”）。
德国动物学家魏斯曼（August Weismann,1834～1914）对获得性遗传提出坚决的质疑。
他用老鼠做了一个著名的“去尾实验”，他切去老鼠的尾巴，并使之适应了短尾的生活。
用这样的老鼠进行繁殖，下一代老鼠再切去尾巴，一连切了22代老鼠的尾巴，第23代老鼠仍然长出正常的尾巴。
由此魏斯曼认为后天后天获得性不能遗传。
（择自《怀疑----科学探索的起点》）我举出这个例子，一方面希望初学者能够更加了解正统的进化论思想，能够分辨进化论与伪进化论的区别。
另一方面想让读者知道的是，遗传算法虽然是一种仿生的算法，但我们不需要局限于仿生本身。
大自然是非常智慧的，但不代表某些细节上人不能比她更智慧。
另外，具体地说，大自然要解决的问题，毕竟不是我们要解决的问题，所以解决方法上的偏差是非常正常和在所难免的。
（下一章，读者就会看到一些非仿生而有效的算法改进。
）譬如上面这个“获得性遗传”我们先不管它在自然界存不存在，但是对于遗传算法的本身，有非常大的利用价值。
即变异不一定发生在产生子代的过程中，而且变异方向不一定是随机性的。
变异可以发生在适应性评估的过程当中，而且可以是有方向性的。
（当然，进一步的研究有待进行。
）所以我们总结出遗传算法的一般步骤：开始循环直至找到满意的解。
1.评估每条染色体所对应个体的适应度。
2.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。
3.抽取父母双方的染色体，进行交叉，产生子代。
4.对子代的染色体进行变异。
5.重复2，3，4步骤，直到新种群的产生。
结束循环。
接下来，我们将详细地剖析遗传算法过程的每一个细节。
编制袋鼠的染色体----基因的编码方式通过前一章的学习，读者已经了解到人类染色体的编码符号集，由4种碱基的两种配合组成。
共有4种情况，相当于2 bit的信息量。
这是人类基因的编码方式，那么我们使用遗传算法的时候编码又该如何处理呢？受到人类染色体结构的启发，我们可以设想一下，假设目前只有“0”，“1”两种碱基，我们也用一条链条把他们有序的串连在一起，因为每一个单位都能表现出 1 bit的信息量，所以一条足够长的染色体就能为我们勾勒出一个个体的所有特征。
这就是二进制编码法，染色体大致如下：010010011011011110111110上面的编码方式虽然简单直观，但明显地，当个体特征比较复杂的时候，需要大量的编码才能精确地描述，相应的解码过程（类似于生物学中的DNA翻译过程，就是把基因型映射到表现型的过程。
）将过份繁复，为改善遗传算法的计算复杂性、提高运算效率，提出了浮点数编码。
染色体大致如下：1.2 – 3.3 –2.0 – 5.4 – 2.7 – 4.3那么我们如何利用这两种编码方式来为袋鼠的染色体编码呢？因为编码的目的是建立表现型到基因型的映射关系，而表现型一般就被理解为个体的特征。
比如人的基因型是46条染色体所描述的（总长度两米的纸条？），却能解码成一个个眼，耳，口，鼻等特征各不相同的活生生的人。
所以我们要想为“袋鼠”的染色体编码，我们必须先来考虑“袋鼠”的“个体特征”是什么。
也许有的人会说，袋鼠的特征很多，比如性别，身长，体重，也许它喜欢吃什么也能算作其中一个特征。
但具体在解决这个问题的情况下，我们应该进一步思考：无论这只袋鼠是长短，肥瘦，只要它在低海拔就会被射杀，同时也没有规定身长的袋鼠能跳得远一些，身短的袋鼠跳得近一些。
当然它爱吃什么就更不相关了。
我们由始至终都只关心一件事情：袋鼠在哪里。
因为只要我们知道袋鼠在那里，我们就能做两件必须去做的事情：（1）通过查阅喜玛拉雅山脉的地图来得知袋鼠所在的海拔高度（通过自变量求函数值。