遗传算法学习心得体会
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。
遗传算法实验报告
桂林理工大学实验报告班级计算机11-1班学号姓名同组实验者无实验名称日期2014年 5 月30日一、实验目的：用遗传算法求f(x)=x*sin(10*pi*x)+1.0的最大值，其中x区间为 [-1 2] 。
二、实验内容：初始化(编码)；实现目标函数的计算：将pop每行转化成十进制数，将二值域中的数转化为变量域的数，计算目标函数值；随机产生初始群体；计算目标函数值；计算群体中每个个体的适应度；保存每次迭代最大适应值对应的x，y，用于绘图演示；计算最大值及其位置；计算最大值对应的x值。
三、程序清单：%遗传算法主程序clearclcpopsize=20; %群体大小chromlength=10; %字符串长度（个体长度）pc=0.6; %交叉概率pm=0.001; %变异概率pop=initpop(popsize,chromlength); %随机产生初始群体for i=1:200 %20为迭代次数[objvalue]=calobjvalue(pop); %计算目标函数值fitvalue=objvalue; %计算群体中每个个体的适应度% fitvalue=calfitvalue(objvalue);%依概率选择遗传操作之一r1=ceil(3*rand);switch r1case 1newpop=selection(pop,fitvalue); %复制case 2newpop=crossover(pop,pc); %交叉case 3newpop=mutation(pop,pc); %变异end[bestindividual,bestfit]=best(pop,fitvalue); % 群体中最大的适应值及其个体y(i)=bestfit; %保存每次迭代最大适应值对应的x，y，用于绘图演示x(i)=-1+decodebinary(bestindividual)*3/1023;pop=newpop;endfplot('x.*sin(10*pi*x)+1.0',[-1 2])hold onplot(x,y,'r*')hold off[ymax index]=max(y); %计算最大值及其位置xmax=x(index)%计算最大值对应的x值ymax四、运行结果：五、心得体会：本次试验着重针对代码的改写，通过改写代码以及思考对遗传算法有了一定的了解，跟同学讨论学会了二值域转换为变量域的方法。
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。
遗传算法总结
遗传算法总结By xudong 内容提要遗传算法的实现过程遗传算法基本理论遗传算法的三个算例TSP问题装箱问题网络结构优化遗传算法的实现过程产生初始种群在适应度函数的基础上选择parents从parents中产生children有三种途径：将parents中最优秀的个体直接保留到children杂交变异遗传算法实现流程下面以一个函数优化的过程为例说明遗传算法的工作过程，材料来自matlab中遗传算法的算法说明。
【生成初始种群】这是函数的等值线图，图中的蓝点表示初始种群中的个体。
【生成下一代种群】图中的符号表示下一代个体，具体不同符号表示不同的产生途径。
【迭代过程】可以看出，随着迭代的增加，整个种群逐渐收敛到最优解。
遗传算法基本理论这里只叙述定理的内容和评价，定理中所涉及的概念和定理的推导过程大家感兴趣的话可以翻翻书。
【模式定理】内容：遗传算法中，在选择、交叉、变异算子的作用下，具有低阶、短的定义长度，并且平均适应度高于群体平均适应度的模式将按指数级增长。
评价：看到这个定理首先想到的就是《自私的基因中》的核心观点，基因是进化的基本单位。
短小，并且适应度高的基因在进化过程中被保留下来，并且在群体中不断增加。
【积木块假定】内容：基因能够互相拼接在一起，形成适应度更高的编码串。
评价：模式定理是说遗传算法能够产生高质量的建筑砖头（基因），积木块假定是说可以用这些高质量的建筑砖头建造高质量的大楼（编码串）。
需要注意的是，我们把上述内容称为假定，而并非定理，这是因为有时候积木块假定并不成立，也就是说高质量的转头不一定能够建成高质量的大楼。
出现这种情况的原因是1+1<2的现象，各个基因之间高度相关，适应度很高的两个基因之间存在很强的负交互作用，结果导致整体的适应度下降。
【遗传算法收敛性】内容1.不保留优秀个体，收敛于最优解的概率小于12.保留优秀个体，遗传算法收敛于最优解的概率等于1评价：这两个定理说明了我们为什么在遗传算法中保留优秀个体的一个原因，保留优秀个体的另外一个原因是保证遗传算法每一代的解总是单调减少的（假设目标是极小化目标函数）。
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。
- 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。
根据具体问题计算p(t)的适应度。
4. 选择：将选择算子作用于群体。
选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。
选择操作是建立在群体中个体的适应度评估基础上的。
5. 交叉：将交叉算子作用于群体。
所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。
遗传算法中起核心作用的就是交叉算子。
6. 变异：将变异算子作用于群体。
即是对群体中的个体串的某些基因座上的基因值作变动。
群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t+1)。
7. 终止条件判断:若t<=t,则t=t+1，转到第3步，否则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
遗传算法流程图如下图所示：遗传算法下几种：适应度比例方法、随机遍历抽样法、局部选择法。
其中轮盘赌选择法是最简单也是最常用的选择方法。
在该方法中，各个个体的选择概率和其适应度值成比例。
设群体大小为n，其中个体i的适应度为，则i 被选择的概率，为遗传算法2、交叉：在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。
同样，遗传算法中起核心作用的是遗传操作的交叉算子。
所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。
通过交叉，遗传算法的搜索能力得以飞跃提高。
交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。
根据编码表示方法的不同，可以有以下的算法：b)二进制交叉（binary valued crossover）1)单点交叉（single-point crossover）2)多点交叉（multiple-point crossover）3)均匀交叉（uniform crossover）4)洗牌交叉（shuffle crossover）5)缩小代理交叉（crossover with reduced surrogate）。
3、变异变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。
依据个体编码表示方法的不同，可以有以下的算法：a)实值变异b)二进制变异。
一般来说，变异算子操作的基本步骤如下：a)对群中所有个体以事先设定的编译概率判断是否进行变异b)对进行变异的个体随机选择变异位进行变异。
例：简单一元函数优化求下面函数的最大值：f(x)=xsin(10*pi*x)+2.0, -1<=x<=2;程序：figure(1);fplot(variable.*sin(10*pi*variable)+2.0,[-1,2]); %画出函数曲线%定义遗传算法参数nind=40; %个体数目(number of individuals) maxgen=25; %最大遗传代数(maximum number of generations) preci=20; %变量的二进制位数(precision of variables) ggap=0.9; %代沟(generation gap) trace=zeros(2, maxgen); %寻优结果的初始值fieldd=[20;-1;2;1;0;1;1]; %区域描述器(build field descriptor) chrom=crtbp(nind, preci); %初始种群gen=0; %代计数器variable=bs2rv(chrom, fieldd); %计算初始种群的十进制转换objv=variable.*sin(10*pi*variable)+2.0; %计算目标函数值while gen<maxgenfitnv=ranking(-objv); %分配适应度值(assign fitness values) selch=select(sus, chrom, fitnv, ggap); %选择selch=mut(selch); %变异variable=bs2rv(selch, fieldd); %子代个体的十进制转换objvsel=variable.*sin(10*pi*variable)+2.0; %计算子代的目标函数值[chrom objv]=reins(chrom, selch, 1, 1, objv, objvsel); %重插入子代的新种群variable=bs2rv(chrom, fieldd);gen=gen+1; %代计数器增加%输出最优解及其序号，并在目标函数图像中标出，y为最优解,i为种群的序号[y, i]=max(objv);hold on;plot(variable(i), y, bo);trace(1, gen)=max(objv); %遗传算法性能跟踪 trace(2,gen)=sum(objv)/length(objv);endvariable=bs2rv(chrom, fieldd);%最优个体的十进制转hold on, grid;plot(variable,objv,b*);figure(2);plot(trace(1,:));hold on;plot(trace(2,:),-.);gridlegend(解的变化,种群均值的变化)篇二：遗传算法学习心得基本概念遗传算法(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|01110000000010000 11100|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。