遗 传 算 法 详 解 ( 含 M A T L A B 代 码 )

遗传算法入门（上）代码中的进化学说与遗传学说写在之前算法所属领域遗传算法的思想解析为什么要用遗传算法？科研现状应用现状遗传算法入门系列文章：（中篇）遗传算法入门（中）实例，求解一元函数最值（MATLAB版）（下篇）遗传算法入门（下）实例，求解TSP问题（C++版）写在之前说明：本想着用大量篇幅写一篇“关于遗传算法的基本原理”作为本系列入门的第一篇，但是在找寻资料的过程中，看到网络上有大量的关于遗传算法的介绍，觉得写的都挺好，所以本文我就简单写点自己的理解。

推荐几篇关于遗传算法的介绍性文章：遗传算法详解（GA）（个人觉得很形象，很适合初学者）算法所属领域相信每个人学习一门知识之前，都会想知道这门知识属于哪一门学科范畴，属于哪一类技术领域？首先对于这种问题，GA是没有绝对的归属的。

算法的定义是解决问题的一种思想和指导理论。

而遗传算法也是解决某一问题的一种思想，用某一编程语言实现这种思想的程序具有很多特点，其中一个便是智能性和进化性，即，不需要大量的人为干涉，程序本身能够根据一定的条件自我筛选，最终得出令人满意的结果。

所以按照这种特性，把它列为人工智能领域下的学习门类毫无疑问是可以的。

遗传算法的思想是借鉴了达尔文的进化学说和孟德尔的遗传学说，把遗传算法说成是一门十足的仿生学一点都不过分。

然而从应用的角度出发，遗传算法是求最优解问题的好方法，如信号处理中的优化、数学求解问题、工业控制参数最优解、神经网络中的激活函数、图像处理等等，所以把遗传算法说成优化范畴貌似也说的过去。

为了方便理解，我们可以暂时将其定位为人工智能–智能优化，这也是很多书中描述遗传算法的惯用词汇。

遗传算法的思想解析遗传算法（gentic algorithms简称GA）是模拟生物遗传和进化的全局优化搜索算法我们知道，在人类的演化中，达尔文的进化学说与孟德尔的遗传学说起着至关重要的理论指导。

每个人作为一个个体组成一个人类种群，正是经历着物竞天择，才会让整个群体慢慢变的更好，即更加适应周围的环境。

遗传算法的基本原理和⽅法遗传算法的基本原理和⽅法⼀、编码编码：把⼀个问题的可⾏解从其解空间转换到遗传算法的搜索空间的转换⽅法。

解码（译码）：遗传算法解空间向问题空间的转换。

⼆进制编码的缺点是汉明悬崖（Hamming Cliff），就是在某些相邻整数的⼆进制代码之间有很⼤的汉明距离，使得遗传算法的交叉和突变都难以跨越。

格雷码（Gray Code）：在相邻整数之间汉明距离都为1。

（较好）有意义的积⽊块编码规则：所定编码应当易于⽣成与所求问题相关的短距和低阶的积⽊块；最⼩字符集编码规则，所定编码应采⽤最⼩字符集以使问题得到⾃然的表⽰或描述。

⼆进制编码⽐⼗进制编码搜索能⼒强，但不能保持群体稳定性。

动态参数编码（Dynamic Paremeter Coding）：为了得到很⾼的精度，让遗传算法从很粗糙的精度开始收敛，当遗传算法找到⼀个区域后，就将搜索现在在这个区域，重新编码，重新启动，重复这⼀过程，直到达到要求的精度为⽌。

编码⽅法：1、⼆进制编码⽅法缺点：存在着连续函数离散化时的映射误差。

不能直接反映出所求问题的本⾝结构特征，不便于开发针对问题的专门知识的遗传运算算⼦，很难满⾜积⽊块编码原则2、格雷码编码：连续的两个整数所对应的编码之间仅仅只有⼀个码位是不同的，其余码位都相同。

3、浮点数编码⽅法：个体的每个基因值⽤某⼀范围内的某个浮点数来表⽰，个体的编码长度等于其决策变量的位数。

4、各参数级联编码：对含有多个变量的个体进⾏编码的⽅法。

通常将各个参数分别以某种编码⽅法进⾏编码，然后再将他们的编码按照⼀定顺序连接在⼀起就组成了表⽰全部参数的个体编码。

5、多参数交叉编码：将各个参数中起主要作⽤的码位集中在⼀起，这样它们就不易于被遗传算⼦破坏掉。

评估编码的三个规范：完备性、健全性、⾮冗余性。

⼆、选择遗传算法中的选择操作就是⽤来确定如何从⽗代群体中按某种⽅法选取那些个体遗传到下⼀代群体中的⼀种遗传运算，⽤来确定重组或交叉个体，以及被选个体将产⽣多少个⼦代个体。

遗传算法( GA , Genetic Algorithm ) ，也称进化算法。

遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。

因此在介绍遗传算法前有必要简单的介绍生物进化知识。

一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。

个体：组成种群的单个生物。

基因 ( Gene ) ：一个遗传因子。

染色体 ( Chromosome )：包含一组的基因。

生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。

适应度低的个体参与繁殖的机会比较少，后代就会越来越少。

遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。

简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。

那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。

这样进化N代后就很有可能会进化出适应度函数值很高的个体。

举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。

这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。

编码：需要将问题的解编码成字符串的形式才能使用遗传算法。

全：遗传概率的计算方法（高中生物）概率是对某一可能发生事件的估计，是指总事件与特定事件的比例，其范围介于0和1之间。

相关概率计算方法介绍如下：一、某一事件出现的概率计算法例题1：杂合子（Aa）自交，求自交后代某一个体是杂合体的概率。

解析：对此问题首先必须明确该个体是已知表现型还是未知表现型。

（1）若该个体表现型为显性性状，它的基因型有两种可能：AA和Aa。

且比例为1∶2，所以它为杂合子的概率为2/3。

（2）若该个体为未知表现型，那么该个体基因型为AA、Aa和aa，且比例为1∶2∶1，因此它为杂合子的概率为1/2。

正确答案：2/3或1/2二、亲代的基因型在未肯定的情况下，其后代某一性状发生的概率计算法例题2：一对夫妇均正常，且他们的双亲也都正常，但双方都有一白化病的兄弟，求他们婚后生白化病孩子的概率是多少？解析：（1）首先确定该夫妇的基因型及其概率？由前面例题1的分析可推知该夫妇均为Aa的概率为2/3，AA的概率为1/3。

（2）假设该夫妇为Aa，后代患病的概率为1/4。

（3）最后将该夫妇均为Aa的概率（2/3×2/3）与假设该夫妇均为Aa情况下生白化病患者的概率1/4相乘，其乘积1/9，即为该夫妇后代中出现白化病患者的概率。

正确答案：1/9三、利用不完全数学归纳法例题3：自交系第一代基因型为Aa的玉米，自花传粉，逐代自交，到自交系第n代时，其杂合子的几率为。

解析：第一代 Aa 第二代 1AA 2Aa 1aa 杂合体几率为 1/2 第三代纯 1AA 2Aa 1aa 纯杂合体几率为（1/2）2 第n代杂合体几率为（1/2）n-1正确答案：杂合体几率为（1/2）n-1四、利用棋盘法例题4：人类多指基因（T）是正常指（t）的显性，白化基因（a）是正常（A）的隐性，都在常染色体上，而且都是独立遗传。

一个家庭中，父亲是多指，母亲正常，他们有一个白化病和正常指的的孩子，则生下一个孩子只患有一种病和患有两种病以及患病的概率分别是（）A.1/2、1/8、5/8B.3/4、1/4、5/8C.1/4、1/4、1/2D.1/4，1/8，1/2解析：据题意分析，先推导出双亲的基因型为TtAa（父），ttAa（母）。

TSP、MTSP问题遗传算法详细解读及python实现写在前⾯遗传算法是⼀种求解NPC问题的启发式算法，属于仿⽣进化算法族的⼀员。

仿⽣进化算法是受⽣物⾏为启发⽽发明的智能优化算法，往往是⼈们发现某种⽣物的个体虽然⾏为较为简单，但⽣物集群通过某种原理却能表现出智能⾏为。

于是不同的⼈研究不同的⽣物⾏为原理，受到启发⽽发明出新的仿⽣进化算法。

⽐如免疫优化算法，蚁群算法，模拟退⽕算法等，这些算法以后也会简单介绍。

本⽂的主题是遗传算法，该算法也是受到⽣物⾏为启发。

物竞天择，适者⽣存，优胜劣汰，是该优化算法的核⼼思想。

笔者在业务中需要⽤到遗传算法求解TSP问题，但是⽹上能查找到的资料对遗传算法的讲解不够通俗易懂，往往上来就是遗传变异交叉，对于我这样的初学者来说有点不知所云，于是不得不直接看源码，⼀⾏⼀⾏地理解代码的意思，才弄懂了原理。

这种⽅法对于初学者和编程基础薄弱者颇为困难，⽽且费时费⼒，苦不堪⾔。

同时，由于读者可能熟练掌握的是不同的语⾔，因此若代码是某⼀种语⾔编写的，那么掌握其他语⾔的读者很可能难以吸收，浪费了资源。

此外，⽹上关于TSP问题的资料很多，但是关于MTSP问题的资料却凤⽑麟⾓。

因此有了创作本⽂的意图，旨在⽤最通俗详尽的语⾔深⼊浅出地解释遗传算法解TSP、MTSP问题的原理及应⽤遗传算法解TSP问题原理⼀、TSP问题旅⾏商问题，即TSP问题（Traveling Salesman Problem）⼜译为旅⾏推销员问题、货郎担问题，是数学领域中著名问题之⼀。

假设有⼀个旅⾏商⼈要拜访n个城市，他必须选择所要⾛的路径，路径的限制是每个城市只能拜访⼀次，⽽且最后要回到原来出发的城市。

路径的选择⽬标是要求得的路径路程为所有路径之中的最⼩值。

想要求解出TSP问题的最优解，⽬前唯⼀的⽅法是穷举出所有的路径。

然⽽，路径的数量级是n!，也就是⽬标点数量的阶乘。

当n为14时，n!已经⼤于800亿。

当n更⼤，为30，40 时，更是天⽂数字，即使计算机⼀秒钟计算⼀亿次，其求解时间也远⼤于我们的寿命。

掌握该方法可以大大缩短做遗传题的时间。

但一定要对哈代--温伯格公式有清楚的认识，才能用这个公式解题，否则反而会影响到你。

从例题和解析中感悟和总结，因为只要自己总结出来的东西才是自己的。

例如自由交配的实质就是配子自由交配等等。

基因频率有关的计算例析基因频率是指某群体中，某一等位基因在该位点上可能出现的基因总数中所占的比率。

对基因频率的计算有很多种类型，不同的类型要采用不同的方法计算。

一、哈代--温伯格公式（遗传平衡定律）的应用当种群较大，种群内个体间的交配是随机的，没有突变发生、新基因加入和自然选择时，存在以下公式：(p+q)2=p2+2pq+q2=1 ，其中p代表一个等位基因的频率，q代表另一个等位基因的频率，p2 代表一个等位基因纯合子（如AA）的频率，2pq代表杂合子（如Aa）的频率，q2代表另一个纯合子（aa）的频率。

例1：已知苯丙酮尿症是位于常染色体上的隐性遗传病。

据调查，该病的发病率大约为1/10000。

请问，在人群中苯丙酮尿症致病基因的基因频率以及携带此隐性基因的杂合基因型频率各是多少？解析：由于本题不知道具体基因型的个体数以及各种基因型频率，所以问题变得复杂化，此时可以考虑用哈代----温伯格公式。

由题意可知aa的频率为1/10000，计算得a的频率为1/100。

又A+a=1，所以A的频率为99/100，Aa的频率为2×（99/100）×（1/100）=99/5000。

答案：1/100，99/5000例2：在阿拉伯牵牛花的遗传实验中，用纯合体红色牵牛花和纯合体白色牵牛花杂交，F1全是粉红色牵牛花。

将F1自交后，F2中出现红色、粉红色和白色三种类型的牵牛花，比例为1：2：1，如果取F2中的粉红色的牵牛花与红色的牵牛花均匀混合种植,进行自由传粉,则后代表现性及比例应该为( )解析：按遗传平衡定律：假设红色牵牛花基因型为AA、粉红色牵牛花基因型为Aa,F2中红色、粉红色牵牛花的比例（AA:Aa）为1：2，即A的基因频率为2/3，a的基因频率为1/3，子代中AA占（2/3）×（2/3）=4/9，Aa占2（（2/3）×（2/3）=4/9，aa占（1/3）×（1/3）=1/9答案: 红色:粉红色:白色=4:4:1二、几种计算类型（一）.常染色体上的基因，已知各基因型的个体数，求基因频率。

基本遗传算法Holland创建的遗传算法是一种概率搜索算法,它利用某种编码技术作用于称为染色体的数串，其基本思想是模拟由这些串组成的个体进化过程.该算法通过有组织的、然而是随机的信息交换，重新组合那些适应性好的串.在每一代中，利用上一代串结构中适应性好的位和段来生成一个新的串的群体；作为额外增添，偶尔也要在串结构中尝试用新的位和段来替代原来的部分。

遗传算法是一类随机优化算法，它可以有效地利用已有的信息处理来搜索那些有希望改善解质量的串.类似于自然进化，遗传算法通过作用于染色体上的基因，寻找好的染色体来求解问题.与自然界相似，遗传算法对待求解问题本身一无所知,它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应度值来改变染色体，使适应性好的染色体比适应性差的染色体有更多的繁殖机会.第一章遗传算法的运行过程遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象,从任一初始种群（Population）出发,通过随机选择、交叉和变异操作，产生一群更适应环境的个体,使群体进化到搜索空间中越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群最适应环境的个体(Individual),求得问题的最优解。

一．完整的遗传算法运算流程完整的遗传算法运算流程可以用图1来描述。

由图1可以看出，使用上述三种遗传算子(选择算子、交叉算子和变异算子）的遗传算法的主要运算过程如下：（1）编码:解空间中的解数据x,作为遗传算法的表现形式。

从表现型到基因型的映射称为编码.遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合就构成了不同的点。

（2）初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。

遗传算法以这N个串结构作为初始点开始迭代。

设置进化代数计数器t←0；设置最大进化代数T;随机生成M个个体作为初始群体P（0）。

（3）适应度值评价检测：适应度函数表明个体或解的优劣性。

遗传算法简单实例为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各个主要执行步骤。

例：求下述二元函数的最大值：(1) 个体编码遗传算法的运算对象是表示个体的符号串，所以必须把变量x1, x2 编码为一种符号串。

本题中，用无符号二进制整数来表示。

因 x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。

例如，基因型 X＝101110 所对应的表现型是：x＝[ 5，6 ]。

个体的表现型x和基因型X之间可通过编码和解码程序相互转换。

(2) 初始群体的产生遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。

本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机方法产生。

如：011101，101011，011100，111001(3) 适应度汁算遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。

本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接利用目标函数值作为个体的适应度。

(4) 选择运算选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。

一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。

本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。

其具体操作过程是：•先计算出群体中所有个体的适应度的总和fi ( i=1.2,…,M );•其次计算出每个个体的相对适应度的大小 fi / fi ，它即为每个个体被遗传到下一代群体中的概率，•每个概率值组成一个区域，全部概率值之和为1；•最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。

(5) 交叉运算交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。

一、遗传算法的原理1.自然遗传与遗传算法①遗传：子代总是和亲代具有相同或相似的性状。

有了这个特征物种才能稳定存在②变异：亲代和子代之间已经子代不同个体之间的差异，称为变异，变异是随机发生的，变异的选择和积累是生命多样性的根源。

③生存斗争和逝者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐与祖先有所不同，演变成新的物种。

④自然界对进化中的生物群体提供及时的反馈信息，或称为外界对生物的评价，评价反映了生物的生存机会。

⑤生物进化是一个不断循环的过程，本质上是一种优化过程。

⑥遗传物质以基因的形式排列在染色体上，每个基因有特殊的位置并控制生物的某些特性。

不同的基因组合产生的个体对环境的适应性不一样。

（对应具体问题，把问题可能解编码成向量---染色体，向量的每个元素就是基因）例如：个体染色体9 ---- 1001（2，5，6）---- 010 101 1102.遗传算法①将“优胜劣汰，适者生存”的生物进化原理引入到求解优化问题中。

②从某一随机产生的初始群体出发③按照变异等遗传操作规则不断地迭代④根据每一个体的适应度，保留优良品种，引导搜索过程向最优解逼近。

⑤在这一过程中，通过随机重组编码位串中重要的基因，使新一代的位串集合优于老一代的位串集合，群体中的个体不断进化，逐渐接近最优解，最终达到求解问题的目的。

二、遗传算法的步骤1.步骤：①选择编码策略，把参数集合X和域转换成位串结构空间S；②定义适应函数f(X);③确定遗传策略，包括选择群体大小n，选择、交叉、变异方法，以及确定交叉概率、变异概率等遗传参数；④随机初始化生成群体P；⑤计算群体中个体位串解码后的适应值f(X)⑥按照遗传策略，运用选择（选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

选择操作是建立在群体中个体的适应度评估基础上的）、交叉（所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。