現代生物遺傳學中描述的生物進化理論:
　　遺傳物質的主要載體是染色體(chromsome),染色體主要由DNA和蛋白質組成。其中DNA為最主要的遺傳物質。 基因(gene)是有遺傳效應的片斷,它存儲著遺傳信息,可以準確地復制,也能發生突變,并可通過控制蛋白質的合成而控制生物的狀態.生物自身通過對基因的復制(reproduction)和交叉(crossover,即基因分離,基因組合和基因連鎖互換)的操作時其性狀的遺傳得到選擇和控制。生物的遺傳特性,使生物界的物種能保持相對的穩定;生物的變異特性,使生物個體產生新的性狀,以至于形成了新的物種(量變積累為質變),推動了生物的進化和發展。

　　遺傳學算法和遺傳學中的基礎術語比較

　　染色體又可以叫做基因型個體(individuals),一定數量的個體組成了群體(population),群體中個體的數量叫做群體大小。各個個體對環境的適應程度叫做適應度(fitness)

　　遺傳算法的準備工作:
　　1)數據轉換操作,包括表現型到基因型的轉換和基因型到表現型的轉換。前者是把求解空間中的參數轉化成遺傳空間中的染色體或者個體(encoding),后者是它的逆操作(decoding)
　　2)確定適應度計算函數,可以將個體值經過該函數轉換為該個體的適應度,該適應度的高低要能充分反映該個體對于解得優秀程度。非常重要的過程！

　　遺傳算法的基本步驟
　　遺傳算法是具有"生成+檢測"(generate-and-test)的迭代過程的搜索算法。 基本過程為:
　　1)編碼,創建初始集團
　　2)集團中個體適應度計算
　　3)評估適應度
　　4)根據適應度選擇個體
　　5)被選擇個體進行交叉繁殖,
　　6)在繁殖的過程中引入變異機制
　　7)繁殖出新的集團,回到第二步

　　一個簡單的遺傳算法的例子:求 [0,31]范圍內的y=(x-10)^2的最小值
　　1)編碼算法選擇為"將x轉化為2進制的串",串的長度為5位。(等位基因的值為0 or 1)
　　2)計算適應度的方法是:先將個體串進行解碼,轉化為int型的x值,然后使用y=(x-10)^2作為其適應度計算合適(由于是最小值,所以結果越小,適應度也越好)
　　3)正式開始,先設置群體大小為4,然后初始化群體 => (在[0,31]范圍內隨機選取4個整數就可以,編碼)
　　4)計算適應度Fi(由于是最小值,可以選取一個大的基準線1000,Fi = 1000 - (x-10)^2)
　　5)計算每個個體的選擇概率.選擇概率要能夠反映個體的優秀程度.這里用一個很簡單的方法來確定選擇概率
　　P=Fi / TOTAL(Fi).
　　6)選擇.
　　根據所有個體的選擇概率進行淘汰選擇.這里使用的是一個賭輪的方式進行淘汰選擇.先按照每個個體的選擇概率創建一個賭輪,然后選取4次,每次先產生一個0-1的隨機小數,然后判斷該隨機數落在那個段內就選取相對應的個體.這個過程中,選取概率P高的個體將可能被多次選擇,而概率低的就可能被淘汰.

　　下面是一個簡單的賭輪的例子
   13%               35%                    15%                 37%       
----------|----------------------------|------------|-*-------------------------|
   個體1              個體2                  個體3    ^0.67    個體4
　　隨機數為0.67落在了個體4的端內.本次選擇了個體4. 被選中的個體將進入配對庫(mating pool,配對集團)準備開始繁殖.
　　7)簡單交叉
　　先對配對庫中的個體進行隨機配對.然后在配對的2個個體中設置交叉點,交換2個個體的信息后產生下一代. 比如( | 代表簡單串的交叉位置)
　　 ( 0110|1, 1100|0 ) --交叉--> (01100,11001)
 　　( 01|000, 11|011 ) --交叉--> (01011,11000)
　　2個父代的個體在交叉后繁殖出了下一代的同樣數量的個體. 復雜的交叉在交叉的位置,交叉的方法,雙親的數量上都可以選擇.其目的都在于盡可能的培育出更優秀的后 代

　　8)變異

　　變異操作時按照基因座來的.比如說沒計算2萬個基因座就發生一個變異(我們現在的每個個體有5個基因座.也就是說要進化1000代后才會在其中的某個基因座發生一次變異.)變異的結果是基因座上的等位基因發生了變化.我們這里的例子就是把0變成1或則1變成0.

　　至此,我們已經產生了一個新的(下一代)集團.然后回到第4步,周而復始,生生不息下去:)

　　偽代碼實例(適合愛看代碼的朋友~):

//Init population
foreach individual in population
{
     individual = Encode(Random(0,31));
}

while (App.IsRun)
{ 
     //計算個體適應度
     int TotalF = 0;
     foreach individual in population
     {
      individual.F = 1000 - (Decode(individual)-10)^2;
      TotalF += individual.F;
     }

     //------選擇過程,計算個體選擇概率-----------
     foreach individual in population
     {
          individual.P = individual.F / TotalF;
     }
     //選擇
     for(int i=0;i<4;i++)
     {
          //SelectIndividual(float p)是根據隨機數落在段落計算選取哪個個體的函數
          MatingPool[i] = population[SelectIndividual(Random(0,1))];
     }
     //-------簡單交叉---------------------------
     //由于只有4個個體,配對2次
     for(int i=0;i<2;i++)
     {
          MatingPool.Parents[i].Mother = MatingPool.RandomPop();
          MatingPool.Parents[i].Father = MatingPool.RandomPop();
        }

     //交叉后創建新的集團
     population.Clean();
     foreach Parent in MatingPool.Parents
     {
          //注意在copy 雙親的染色體時在某個基因座上發生的變異未表現.
          child1 = Parent.Mother.DivHeader + Parent.Father.DivEnd;
          child2 = Parent.Father.DivHeader + Parent.Mother.DivEnd;
          population.push(child1);
          population.push(child2);
     }
}          

        

        
        
      
        
it知識庫：遺傳算法介紹(內含實例)，轉載需保留來源！
        
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。