遗传算法：原理与核心组件解析

遗传算法（GA）是一种基于种群的进化优化技术，它灵感源于自然选择和遗传学原理。在传统优化技术难以奏效的复杂问题面前，它通过使用选择、交叉和变异等受生物学启发的算子，对候选解种群进行迭代进化，从而找到最优或接近最优的解决方案。

• 非常适用于非线性、非凸和多模态问题
• 使用概率搜索而非确定性规则
• 不需要梯度信息

1. 种群

!population种群

种群是指在遗传算法的特定阶段（即“代”）中存在的候选解（个体）的集合。与仅处理单个解决方案不同，遗传算法会同时评估和进化多个解，这有助于保持多样性，并降低陷入局部最优的风险。

• 种群的大小会显著影响收敛行为
• 较大的种群能增强探索能力，但会提高计算成本
• 较小的种群收敛速度更快，但存在过早收敛的风险

2. 染色体

染色体代表了问题的一个完整候选解。它是基因的结构化集合，编码了使用适应度函数评估解决方案所需的所有决策变量。

3. 基因

基因是染色体中最小的信息单位，代表了解的单个变量、参数或特征。所有基因的集体表现决定了染色体的质量。

4. 编码方法

编码是指候选解在染色体中的表示方式。选择合适的编码至关重要，因为它直接影响遗传算子的有效性。

a. 二进制编码

• 使用二进制字符串（0和1）
• 简单且易于实现
• 常用于理论遗传算法模型

b. 实值编码

• 基因是实数
• 适用于连续优化问题
• 收敛速度更快且精度更高

c. 排列编码

• 染色体表示有序序列
• 用于路径规划、调度和排序问题
• 需要专门的交叉和变异算子

5. 适应度函数

!chromosome适应度函数

适应度函数是一种数学公式，用于评估染色体解决给定问题的程度。它是遗传算法的指导力量，决定了哪些个体更有可能进行繁殖。

• 适应度越高意味着解的质量越好
• 适应度函数因具体问题而异
• 可以设计为最大化或最小化问题

6. 终止准则

终止准则定义了遗传算法停止运行的条件。恰当的终止条件既能防止不必要的计算，又能保证解的质量。常见的终止条件包括：

• 达到最大进化代数
• 达到预期的适应度或阈值
• 连续多代适应度没有改善
• 超过计算时间限制

7. 选择

选择是从当前种群中选择染色体的过程，目的是让它们作为下一代的父代。我们的目标是优先选择适应性更强的个体，同时保持种群的多样性。常见的父代选择方案包括：

a. 轮盘赌选择： 这是一种适应度比例选择技术，每个个体被选中的概率与其适应度值成正比。适应度越高的个体在轮盘上占据的扇区越大，因此被选中的可能性也越高。

!<a href="https://media.geeksforgeeks.org/wp-content/uploads/20251223154731875584/fitnessvalue.webp">fitnessvalue轮盘赌选择