Word害我重寫=_=順便重新整理下思路
背景：寫論文時用到遺傳算法，花了近一周時間，還算理解了算法以及能夠進行基礎的編程實現（保持謙虛）。
說明：具體的實現沒敢細講，主要是原理的方法上的介紹（講解都算不上）。
先說說算法學習，個人覺得首先需要了解這個算法是拿來干嘛的，然后學習它的理論原理，多看懂幾遍總是好的；結合實際例子，接着把算法的每一塊兒研究清楚，通篇理解后，自己試着編程實現，這樣學起來感覺也還不錯。
關於遺傳算法原理：模擬自然界優勝劣汰的進化現象，把搜索空間（問題解的組成空間）映射為遺傳空間，把可能的解編碼成一個向量——染色體，向量的每個元素稱為基因。通過不斷計算各染色體的適應值，選擇最好的染色體，獲得最優解。
簡單說，就是給你一堆人兒（解和種群），讓你選擇一部分基因優良（解的適應度更高，比如值更大）的人出來，讓他們生小孩組成后代（選擇交叉和變異），把這些后代和之前選出來的父代，再比較基因優良，再選擇，再遺傳，這樣循環，最后找出一個超級英雄（最優解）就達到目的了。
這樣類似於一種無目的的搜索式尋找最優，不過遺傳算法的效率更高。
關於原理，知乎上有些通俗好玩的文章可以看下：https://www.zhihu.com/question/23293449
關於算法步驟：從原理也可以總結出，主要步驟包括，適應度函數的設計，編碼，選擇，交叉，變異。
即是說，我們主要能用代碼實現這些操作，一個算法就能基本實現了。這也算是面向對象編程了。給一張流程圖：
圖有點大
這流程圖在整篇文字看完后在回來看一遍。（堅持，看完d===(￣▽￣*)b）
關於算法術語（偷懶截圖）：
先從個體開始，我總是樂意把個體和染色體一起理解，因為染色體就是編碼過后的個體，兩者本質一樣，只是表現方式不一樣。個體就是算法的一個解，比如一個函數在某個區間內，有無數個解。而染色體，是為了讓算法能更好的理解和操作我們的個體，進行的編碼結果。這里的編碼，就是一個轉換操作。
舉個栗子，求一個函數區間內最大值，我將一個值為13的解，按照6位長的二進制編碼，轉換為：001101，這里的13就是個體，001101就是染色體，里面的0和1就是基因。這樣來，算法操作這些二值集比實數容易得多。
然后，一大堆個體組成種群，我們需要做的，就是從種群中，挑選出優良的個體（染色體），進行交叉變異，生成下一代，組成新的種群。
評價個體是否優良的標准就是適應度函數，比如求極值函數的值哪些更大或更小。適應度函數給每個個體一個評價值，然后依據評價值，我們選出一部分——如種群數量的20%——作為優良的父代，通過交叉變異，讓他們產生子代，組成新的種群，再計算適應度和循環。
交叉和變異就是遺傳操作。交叉，就是把染色體里的基因交換，比如吧父親的優良基因與母親的優良基因組合在一起，生成下一代，如圖：
我們將左邊兩個染色體交叉，產生了右邊新的兩個染色體。這個時候用了編碼就十分好理解了，每個染色體就是一個二進制串，如圖：
這樣進行交叉比用實數表示容易實現多了去了。
然后是變異，就是染色體內部的基因變異，比如改變二進制串中的某個基因值，就能產生變異。
001101®011101，對第二個基因變異，產生新的染色體（解），也就是13產生了29。
理解了術語和步驟，接下來就是具體實現。具體的實現，我結合網上找的很實用的例子，來源應該是《遺傳算法工具箱》這類書。
環境：matlab和遺傳算法工具箱。
首先說下工具箱，這是由外國的大神們編制的一個工具箱，里面有對應的遺傳算法各個操作會用到的函數。這些函數也是重點，因為遺傳算法（或者大部分算法）都是分塊兒的，每一個塊兒就是一個操作，每一個操作都以函數形式來表達和進行。
因此具體的實現，就是對每個操作的函數實現。代碼來自《工具箱》群書，只是主要部分：
前4行為算法約定或約束。表明，我們每一個種群中有40個個體（染色體）。最多會遺傳25代，及循環25次或者說會生成25個種群。然后編碼的長度—即染色體的長度為20位（使用的二進制編碼）。代溝是選擇的比例，即每個種群，我們選出40*0.1=4個優良個體。
接下來就是循環的設計，在循環里邊，有函數：“計算目標函數值”，在這里即是適應度函數。大多時候，適應度函數都是用原函數。
二十進制轉換函數bs2rv是為了讓編碼后的個體能恢復實數形式並用以計算適應度。
里邊的選擇、重組和變異，都是通過一個函數完成：select,recombin,mut。這里的選擇，就是選出優良染色體用來產生下一代。重組就是交叉；變異就是…變異。
所以你看到，每一個操作用函數就可以完成，但是要知道，這里的一個函數只是對應了一種操作模式，二每個操作都有很多模式，比如編碼有二進制編碼、實數編碼等。選擇操作有賭輪選擇、錦標賽選擇。交叉有單點交叉、多點交叉等。變異有基本位變異、均勻變異等。
當然每一個模式，或者方法都有對應的原理和函數，這個就自行查找學習。
所以看來遺傳算法也沒那么難，搞清楚每一個操作，尋找或編寫對應的函數，再調用即可。
不過這只是基本遺傳操作，現在更在意的是遺傳算法的改進和優化，而這些改進和優化，又都是針對以上操作的模式的不足進行的優化，也是好玩。
大概就到這里，最后推薦一本書，雷英傑,老師和張善文老師主編《MATLAB遺傳算法工具箱及應用》，着實實用，實際操作也有，優化也有。
