8.4.1　遗传算法的基本概念

由于优化问题所涉及的影响因素很多，其解空间较大，解空间中参变量与目标值之间的关系又非常复杂。如果采用随机抽取定义域中几组参变量的办法来搜索最优解，难度非常大。这时需要特殊的优化技术，遗传算法就是一种较为有效的搜索技术。

遗传算法的基本思想是从一组随机产生的初始解，即“种群（population）”开始进行搜索，每个种群则由经过基因编码的一定数目的个体组成，一个个体就是问题的一个解，即“染色体”。初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度（fitness）来挑选个体，适应值大的染色体被选择进入下一代的几率高；下一代中的染色体借助于自然遗传学的遗传算子（genetic operators）进行组合交叉和变异，产生出代表新的染色体。经过若干代之后，算法收敛于最好的染色体，该染色体就是问题的最优解或近似最优解。

遗传算法包含遗传与进化两种运算过程，遗传运算模拟了基因在每一代中产生新后代的繁殖过程，包括交叉和杂交两个过程；进化运算是通过竞争不断更新种群的过程。其运行过程归纳如下：

（1）产生初始种群。(https://www.daowen.com)

（2）以适应度函数对染色体进行评价。

（3）选择高适应值的染色体进入下一代。

（4）通过遗传、变异产生新的染色体。

重复第（2）～第（4）步，直到达到预定的进化代数。