九、遗传算法
（一）概念
Thomas等认为遗传算法是搜寻潜在解决方法的过程，通过在候选方案中搜寻替代找出最有效的解决方案。遗传规划（GP）过程通过自然选择，依照“物竞天择，适者生存”的方法，通过一代一代的遗传、交叉、变异等过程进化出问题的最优解。
（二）模型设计
首先假设存在一个问题，问题的可行解就是一个染色体，可行解中的各个元素就是染色体上的基因。求解问题经过N代的遗传，每次迭代都会产生若干条染色体，其中的适度函数会对染色体进行评分，最后留下适应度高的染色体进行接下来的遗传，将适应度低的染色体淘汰，因此理论上讲，染色体的质量会越来越高。
首先初始化参数，并且设置最大的迭代进化次数，随机生成M个个体作为初始种群P（0）；然后计算当前种群中各个个体的适应度；再通过选择（将优秀的个体组合交叉配对遗传到下一代种群中）、交叉、变异的过程，直至达到最大迭代次数，其中具有最优适应度的个体作为解输出。
（三）应用
Ong（2005）在信用风险评估中采用遗传算法进行分析，并且与其他模型对比发现遗传算法准确度更高。之后，Huang等（2006）提出用改进的遗传算法——两阶段算法规划方法对信用进行评分。与神经网络相比，遗传规划的优点在于其能够决定合适的判别函数。孙瑾和许青松（2008）引入遗传算法，结合SVM模型对个人信用进行评价。(https://www.daowen.com)
（四）遗传算法的优势及不足
1.优势
1）遗传算法搜索从群体出发，具有潜在的并行性，全局搜索能力较好，可以快速将解空间中的全体解搜索出来，而不会陷入局部最优解的快速下降陷阱，稳健性高。
2）遗传算法以生物进化为原型，具有很好的收敛性，同时具有可扩展性，容易与其他算法结合。
2.不足
1）遗传算法的编程实现比较复杂，首先需要对问题进行编码，找到最优解后还需要对问题进行解码。
2）遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期的搜索效率较低。