9.1.1  遗传算法概述

遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说，模仿自然界生物进化机制发展起来的一种随机全局搜索和优化方法，因而在这个算法中常涉及各种生物进化和遗传学的一些基本概念，如：

染色体：个体的表现性质。在遗传学中，染色体是生物细胞中含有的一种微小丝状化合物。它是遗传物质的主要载体，由多个遗传因子——基因组成。

基因：控制生物性状的遗传物质的功能单元和结构单元，又称为遗传因子。

基因型：它是性状染色体的内部表现，或者说，由遗传因子组合的模型。

表现型：由染色体决定性状的外部表现，或者说，根据遗传因子形成的个体，称为表现型。

个体：指染色体带有特征的实体。

群体：由一定数量的个体组成的集合。

适应度：反映个体性能的数量值，表示某一个体对生存环境的适应程度。

编码：从表现型到基因型的映射。

解码：从基因型到表现型的映射。

对上述术语的理解，有助于更好地理解遗传算法的基本思想。遗传算法是从优化问题可能潜在解集的一个种群开始，而一个种群是由经过基因编码的一定数目的个体组成。产生初始种群后，按照适者生存和优胜劣汰的原理，经过多代繁衍，产生出一个越来越好的种群。在每一代，由问题的目标函数构造一个适应度函数，根据个体适应度的优劣选择一部分优良个体，并对其进行交叉和变异操作，产生出代表新解集合的种群。这个过程将使种群像自然进化一样，子代种群比父代更加适应于环境，整个进化过程中的最优个体经过解码就可以作为问题的近似最优解。