没想到遗传算法原理(遗传算法原理图)

任意挑选经过选择操作中两个个体作为交叉对象，随机产生一个交叉点位置，两个个体在交叉点位置互换部分基因码，形成两个子个体。

遗传算法是一种典型的全局优化算法，应用于很多领域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，借鉴了伟大的达尔文先生的进化论和孟德尔的遗传学说采用“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似最优的方案。

然后应用交叉、变异等遗传算子交叉的作用是很大的，变异则可以阻止局部收敛最后，种群中个体的平均性能达到提高，好的个体被保存并且相互产生下一代研究方向：1、在遗传算法中，群体规模和遗传算子的控制参数的选取非常困难。

存在过早收敛 2、遗传算法的并行性主要有三个方面：个体适应度评价的并行性、整个群体各个个体适应度评价的并行性和子代群体产生过程的并行性 3、分类系统属于基于遗传算法的机器学习中的一类，包括一个简单的基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统。

4、遗传神经网络包括连接级、网络结构和学习规则的进化 5、进化算法包括遗传算法、进化规划和进化策略，三种算法是独立发展起来的遗传算法的三个基本操作：1、 选择（Selection）：根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。

体现了达尔文的适者生存原则2、 交叉（Crossover）：最主要的遗传操作将群体中的各个个体随机搭配成对，对每一个个体，以某个概率（称为交叉概率，Crossover Rate）交换它们之间的部分染色体。

体现了信息交换的思想3、 变异（Mutation）：对群体中的每一个个体，以某一概率（称为变异概率，Mutation Rate）改变某一个或某一些基因座上的基因值为其他的等位基因基本遗传算法的步骤：1、 染色体编码：使用固定长度的二进制符号串来表示群体中的个体，其等位基因值由二值{0，1}组成。

包括编码、解码公式2、 个体适应度的监测评估：所有个体的适应度必须为非负数需要预先确定好由目标函数值到个体适应度之间的转换规律，特别是要预先确定好当目标函数为负数时的处理方法例如：可选取一个适当大的正数C，使个体的适应度为目标函数值加上正数C。

3、 遗传算子：（1） 选择运算使用比例选择算子比例选择因子是利用比例于各个个体适应度的概率决定其子孙的遗传可能性（2） 交叉运算使用单点交叉算子任意挑选经过选择操作中两个个体作为交叉对象，随机产生一个交叉点位置，两个个体在交叉点位置互换部分基因码，形成两个子个体。

（3） 变异运算使用基本位变异算子或均匀变异算子。为了避免过早收敛，对于二进制的基因码组成的个体种群，实现基因码的小概率翻转，即0变为1，1变为0。