基本遗传算法(讲的很好很透彻_学习亲测)

基本遗传算法的几个基本概念-回复基本遗传算法是一种启发式搜索算法，它基于生物进化过程中的自然选择和遗传机制。

这种算法模仿了生物进化中的基本原理，通过随机生成的初始个体群体，通过选择、交叉和变异等操作，逐代地优化并进化个体，最终找到适应度最高的解。

在理解基本遗传算法之前，我们需要了解几个基本概念：1. 个体（Individual）：个体是基本遗传算法中的搜索空间中的一个解，可以是具体的问题的一个可行解，也可以是一个参数向量等。

2. 群体（Population）：群体是由一组个体组成的搜索空间，一般由固定数量的个体构成。

群体的初始个体是通过随机生成来的。

3. 适应度函数（Fitness Function）：适应度函数是用来评估个体的优劣程度的函数。

适应度函数根据实际问题的特性来定义，一般是一个数值，用来衡量个体对问题解的适应程度。

4. 选择（Selection）：选择是基于个体的适应度来确定下一代个体的过程。

通常，适应度越高的个体更有可能被选择到下一代，从而使整个种群逐渐进化。

5. 交叉（Crossover）：交叉是将两个个体的基因组合并生成新个体的过程。

通过交叉操作，可以将两个个体的优良特征进行组合，产生新的个体。

6. 变异（Mutation）：变异是在个体基因中引入随机扰动的过程。

变异操作有助于增加种群的多样性，并保持种群在搜索空间中的广泛探索能力。

基本遗传算法的具体步骤如下：1. 初始化群体：随机生成初始的个体群体，并给每个个体赋予适应度。

2. 选择操作：根据个体的适应度选择一部分个体作为父代。

3. 交叉操作：从父代中选取两个个体进行交叉，生成新的子代。

交叉操作可以采用单点交叉、多点交叉、均匀交叉等方式。

4. 变异操作：对新生成的子代个体进行变异操作，引入一定概率的随机扰动。

变异操作有助于增加种群的多样性。

5. 更新群体：根据适应度函数重新评估新个体的适应度，并根据选择策略确定下一代的个体。

6. 终止条件：通过迭代运行上述步骤，直到满足终止条件，例如达到最大迭代次数或找到满足要求的解。

基本遗传算法及应用举例遗传算法(Genetic Algorithms)是一种借鉴生物界自然选择和自然遗传机制的随机、高度并行、自适应搜索算法。

遗传算法是多学科相互结合与渗透的产物。

目前它已发展成一种自组织、自适应的多学科技术。

针对各种不同类型的问题，借鉴自然界中生物遗传与进化的机理，学者们设计了不同的编码方法来表示问题的可行解，开发出了许多不同环境下的生物遗传特征。

这样由不同的编码方法和不同的遗传操作方法就构成了各种不同的遗传算法。

但这些遗传算法有共同的特点，即通过对生物的遗传和进化过程中的选择、交叉、变异机理的模仿来完成对最优解的自适应搜索过程。

基于此共同点，人们总结出了最基本的遗传算法——基本遗传算法。

基本遗传算法只使用选择、交叉、变异三种基本遗传操作。

遗传操作的过程也比较简单、容易理解。

同时，基本遗传算法也是其他一些遗传算法的基础与雏形。

1．1．1 编码方法用遗传算法求解问题时，不是对所求解问题的实际决策变量直接进行操作，而是对表示可行解的个体编码的操作，不断搜索出适应度较高的个体，并在群体中增加其数量，最终寻找到问题的最优解或近似最优解。

因此，必须建立问题的可行解的实际表示和遗传算法的染色体位串结构之间的联系。

在遗传算法中，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称之为编码。

反之，个体从搜索空间的基因型变换到解空间的表现型的方法称之为解码方法。

编码是应用遗传算法是需要解决的首要问题，也是一个关键步骤。

迄今为止人们已经设计出了许多种不同的编码方法。

基本遗传算法使用的是二进制符号0和1所组成的二进制符号集｛0，1｝，也就是说，把问题空间的参数表示为基于字符集｛0，1｝构成的染色体位串。

每个个体的染色体中所包含的数字的个数L 称为染色体的长度或称为符号串的长度。

一般染色体的长度L 为一固定的数，如X=10011100100011010100表示一个个体，该个体的染色体长度L=20。

基本遗传算法【精品毕业设计】（完整版）遗传算法1、遗传算法⽣物学基础和基本理论达尔⽂⾃然选择学说认为，⽣物要⽣存下去，就必须进⾏⽣存⽃争。

⽣存⽃争包括种内⽃争、种间⽃争以及⽣物跟⽆机环境之间的⽃争三个⽅⾯。

在⽣存⽃争中，具有有利变异(mutation)的个体容易存活下来，并且有更多的机会将有利变异传给后代;具有不利变异的个体就容易被淘汰，产⽣后代的机会也少得多。

因此，凡是在⽣存⽃争中获胜的个体都是对环境适应性⽐较强的。

达尔⽂把这种在⽣存⽃争中适者⽣存，不适者淘汰的过程叫做⾃然选择。

达尔⽂的⾃然选择学说表明，遗传和变异是决定⽣物进化的内在因素。

遗传是指⽗代与⼦代之间，在性状上存在的相似现象。

变异是指⽗代与⼦代之间，以及⼦代的个体之间，在性状上或多或少地存在的差异现象。

在⽣物体内，遗传和变异的关系⼗分密切。

⼀个⽣物体的遗传性状往往会发⽣变异，⽽变异的性状有的可以遗传。

遗传能使⽣物的性状不断地传送给后代，因此保持了物种的特性，变异能够使⽣物的性状发⽣改变，从⽽适应新的环境⽽不断地向前发展。

⽣物的各项⽣命活动都有它的物质基础，⽣物的遗传与变异也是这样。

根据现代细胞学和遗传学的研究得知，遗传物质的主要载体是染⾊体(chromsome),染⾊体主要是由DNA(脱氧核糖核酸)和蛋⽩质组成，其中DNA⼜是最主要的遗传物质。

现代分⼦⽔平的遗传学的研究⼜进⼀步证明，基因(gene)是有遗传效应的⽚段，它储存着遗传信息，可以准确地复制，也能够发⽣突变，并可通过控制蛋⽩质的合成⽽控制⽣物的性状。

⽣物体⾃⾝通过对基因的复制(reproduction)和交叉(crossover)，即基因分离、基因⾃由组合和基因连锁互换)的操作使其性状的遗传得到选择和控制。

同时，通过基因重组、基因变异和染⾊体在结构和数⽬上的变异产⽣丰富多采的变异现象。

需要指出的是，根据达尔⽂进化论，多种多样的⽣物之所以能够适应环境⽽得以⽣存进化，是和上述的遗传和变异⽣命现象分不开的。

遗传算法的使用方法和技巧指南遗传算法是一种启发式优化算法，它模拟了自然界中的生物进化过程来解决问题。

它具有强大的搜索能力和全局优化能力，在各个领域都有广泛的应用。

本文将介绍遗传算法的基本原理、使用方法以及一些重要的技巧指南。

一、遗传算法的基本原理遗传算法基于生物进化的思想，通过模拟人工选择、交叉和变异等过程来生成和更新解的种群，并利用适应度函数对种群进行评估和选择，以期望通过迭代的方式找到最优解。

遗传算法的基本流程如下：1. 初始化种群：随机生成一组个体作为初始种群。

2. 适应度评估：根据问题的特定要求，计算每个个体的适应度值。

3. 选择操作：利用适应度值选择父代个体进行繁殖，常用的选择算法有轮盘赌选择和竞争选择等。

4. 交叉操作：通过交叉运算生成新的后代个体，交叉操作能够保留父代的有益特征。

5. 变异操作：对交叉后的个体进行基因的随机变异，增加种群的多样性。

6. 替换操作：根据一定的规则，用新生成的后代个体替换原始种群中的一部分个体。

7. 终止条件判断：根据迭代次数或者达到某个预定义的解的条件，判断是否终止迭代。

8. 返回最优解。

二、遗传算法的使用方法为了正确有效地使用遗传算法，我们需要遵循以下几个步骤：1. 理解问题：首先，要准确理解问题的特性和要求，包括确定问题的目标函数、约束条件等。

只有对问题有清晰的认识，才能设计合适的遗传算法。

2. 设计编码方案：将问题的解表示为染色体的编码方案，更好的编码方案可以减少解空间的搜索范围。

常用的编码方式有二进制、浮点数、整数等。

3. 确定适应度函数：根据问题的特点，设计合适的适应度函数用于度量个体的优劣。

适应度函数应能够将问题的目标转化为一个数值，使得数值越大越好或者越小越好。

4. 选择操作：选择操作决定了如何根据适应度值选择父代个体。

常用的选择算法有轮盘赌选择、竞争选择、排名选择等。

轮盘赌选择是普遍应用的一种方法，根据个体的适应度值按比例选择。

5. 交叉操作：交叉操作决定了如何生成新的后代个体。

遗传算法基本概念一、引言遗传算法（Genetic Algorithm，GA）是一种基于生物进化原理的搜索和优化方法，它是模拟自然界生物进化过程的一种计算机算法。

遗传算法最初由美国科学家Holland于1975年提出，自此以来，已经成为了解决复杂问题的一种有效工具。

二、基本原理遗传算法通过模拟自然界生物进化过程来求解最优解。

其基本原理是将问题转换为染色体编码，并通过交叉、变异等操作对染色体进行操作，从而得到更优的解。

1. 染色体编码在遗传算法中，问题需要被转换成染色体编码形式。

常用的编码方式有二进制编码、实数编码和排列编码等。

2. 适应度函数适应度函数是遗传算法中非常重要的一个概念，它用来评价染色体的适应性。

适应度函数越高，则该染色体越有可能被选中作为下一代群体的父代。

3. 选择操作选择操作是指从当前群体中选择出适应度较高的个体作为下一代群体的父代。

常用的选择方法有轮盘赌选择、竞赛选择和随机选择等。

4. 交叉操作交叉操作是指将两个父代染色体的一部分基因进行交换，产生新的子代染色体。

常用的交叉方法有单点交叉、多点交叉和均匀交叉等。

5. 变异操作变异操作是指在染色体中随机改变一个或多个基因的值，以增加种群的多样性。

常用的变异方法有随机变异、非一致性变异和自适应变异等。

三、算法流程遗传算法的流程可以概括为：初始化种群，计算适应度函数，选择父代，进行交叉和变异操作，得到新一代种群，并更新最优解。

具体流程如下：1. 初始化种群首先需要随机生成一组初始解作为种群，并对每个解进行编码。

2. 计算适应度函数对于每个染色体，需要计算其适应度函数值，并将其与其他染色体进行比较。

3. 选择父代根据适应度函数值大小，从当前种群中选择出若干个较优秀的染色体作为下一代群体的父代。

4. 进行交叉和变异操作通过交叉和变异操作，在选出来的父代之间产生新的子代染色体。

5. 更新最优解对于每一代种群，需要记录下最优解，并将其与其他染色体进行比较，以便在下一代中继续优化。

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。

遗传算法公式遗传算法是一种优化算法，它模拟了生物进化中的遗传过程，通过不断迭代和优化，寻找最佳的解决方案。

遗传算法的核心是基因编码和遗传操作。

在遗传算法中，每个解决方案都被看作是一个个体，而每个个体都具有一组基因，这些基因决定了个体的特征和性能。

为了优化问题，遗传算法会对这些基因进行遗传操作，包括选择、交叉和变异，以产生更好的后代。

在本文中，我们将介绍遗传算法的公式和应用。

基因编码在遗传算法中，每个个体都被编码为一个染色体，而染色体则由一组基因组成。

基因编码可以采用不同的方式，包括二进制编码、实数编码和排列编码等。

其中，二进制编码是最常用的一种方式，它将个体的每个基因都表示为一个二进制位，0表示基因不存在，1表示基因存在。

例如，假设我们要优化一个问题，其中每个解决方案都由4个变量组成，分别是x1、x2、x3和x4，而这些变量的取值范围都在[0,1]之间。

则我们可以将每个变量都用10位二进制数来表示，例如，x1=0.1011010110，x2=0.0010100011，x3=0.1100111010，x4=0.0111100101。

这样，每个个体就可以用一个40位的二进制串来表示。

选择操作选择操作是遗传算法中的基本操作之一，它的目的是从当前种群中选出一部分个体，作为下一代种群的父代。

选择操作通常根据个体的适应度值来进行，适应度值越高的个体被选中的概率就越大。

在遗传算法中，适应度值通常由目标函数来计算，目标函数的值越小，个体的适应度值就越高。

选择操作可以采用多种方式，包括轮盘赌选择、竞标选择和锦标赛选择等。

其中，轮盘赌选择是最常用的一种方式，它的原理是根据个体的适应度值来分配一个相对概率，然后随机选择一个个体作为父代。

具体来说，假设当前种群中有N个个体，每个个体的适应度值为f(i)，则个体i被选中的概率可以用下面的公式来计算：P(i)=f(i)/Σf(j)其中，Σf(j)表示当前种群中所有个体的适应度值之和。

遗传算法简述及代码详解声明：本文内容整理自网络，认为原作者同意转载，如有冒犯请联系我。

遗传算法基本内容遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。

遗传学与遗传算法中的基础术语比较染色体：又可以叫做基因型个体(individuals)群体/种群(population)：一定数量的个体组成，及一定数量的染色体组成，群体中个体的数量叫做群体大小。

初始群体：若干染色体的集合，即解的规模，如30，50等，认为是随机选取的数据集合。

适应度(fitness)：各个个体对环境的适应程度优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码/译码，因为优化后要进行评价（此时得到的解是否较之前解优越），所以要返回问题空间，故要进行解码。

SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；如果直接生成二进制初始种群，则不必有编码过程，但要求解码时将染色体解码到问题可行域内。

遗传算法的准备工作:1) 数据转换操作，包括表现型到基因型的转换和基因型到表现型的转换。

前者是把求解空间中的参数转化成遗传空间中的染色体或者个体(encoding)，后者是它的逆操作(decoding)2) 确定适应度计算函数，可以将个体值经过该函数转换为该个体的适应度，该适应度的高低要能充分反映该个体对于解得优秀程度。

非常重要的过程。

遗传算法基本过程为:1) 编码，创建初始群体2) 群体中个体适应度计算3) 评估适应度4) 根据适应度选择个体5) 被选择个体进行交叉繁殖6) 在繁殖的过程中引入变异机制7) 繁殖出新的群体，回到第二步实例一：（建议先看实例二）求 []30,0∈x 范围内的()210-=x y 的最小值1) 编码算法选择为"将x 转化为2进制的串"，串的长度为5位（串的长度根据解的精度设 定，串长度越长解得精度越高）。

三分钟学会遗传算法遗传算法此节介绍最著名的遗传算法(GA)。

遗传算法属于进化算法，基本思想是取自“物竞天泽、适者生存”的进化法则。

简单来说，遗传算法就是将问题编码成为染色体，然后经过不断选择、交叉、变异等操作来更新染色体的编码并进行迭代，每次迭代保留上一代好的染色体，丢弃差的染色体，最终达到满足目标的最终染色体。

整个流程由下图构成（手写，见谅 -_-!!）流程图步骤由以下几步构成：编码（coding）——首先初始化及编码。

在此步，根据问题或者目标函数（objective function）构成解数据（solutions），在遗传算法中，该解数据就被称为染色体（chromosome）。

值得一提的是，遗传算法为多解（population based）算法，所以会有多条染色体。

初始化中会随机生成N条染色体，, 这里表示染色体包含了n条。

其中，这里表示第i条染色体由d维数值构成。

GA会以这个N个数据作为初始点开始进行进化。

评估适应度（evaluate fitness）——这一步用染色体来进行目标函数运算，染色体的好坏将被指明。

选择（selection）——从当前染色体中挑选出优良的个体，以一定概率使他们成为父代进行交叉或者变异操作，他们的优秀基因后代得到保留。

物竞天择这里得以体现。

交叉（crossover）——父代的两个两个染色体，通过互换染色体构成新的染色体。

例如下图，父亲母亲各提供两个基因给我。

这样我既保留了父母的基于，同时又有自己的特性。

交叉变异（mutation）——以一定概率使基因发生突变。

该算子一般以较低概率发生。

如下图所示：变异下面我们将一步一步为各位呈现如何用matlab编写一个简单的GA算法。

本问题为实数最小化minimization问题。

我们需要在解空间内找到最小值或近似最小值，此处我们使用sphere函数作为目标函数（读者可以自行修改为其他的目标函数）。

sphere function•初始化：在这一步中，我们将在给定问题空间内生成随机解，代码如下：% %% 初始化% % 输入：chromes_size，dim维数,lb下界，ub 上界% % 输出：chromes新种群function chromes=init_chromes(chromes_size,dim,lb,ub) % 上下界中随机生成染色体 chromes = rand(chromes_size,dim)*(ub-lb)+lb;end•选择：选择是从当前代中挑选优秀的染色体保留以繁殖下一代。

算法】超详细的遗传算法（GeneticAlgorithm）解析01 什么是遗传算法？1.1 遗传算法的科学定义遗传算法（Genetic Algorithm, GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。

遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。

其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。

1.2 遗传算法的执行过程(参照百度百科)遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。

每个个体实际上是染色体(chromosome)带有特征的实体。

染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。

因此，在一开始需要实现从表现型到基因型的映射即编码工作。

由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码。

初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。

基本遗传算法的几个基本概念基本遗传算法是一种受生物进化启发的优化算法，它基于自然选择和遗传原理来寻找问题的最优解。

以下是基本遗传算法的几个基本概念：1. 个体（Individual）：遗传算法中的个体对应于问题的一个可能解。

个体通常以编码的形式表示，以便于遗传操作的进行。

2. 种群（Population）：种群是由多个个体组成的群体，它们共同参与遗传算法的进化过程。

3. 适应度（Fitness）：适应度是衡量个体优劣的指标，它根据问题的特定目标函数来计算。

适应度较高的个体在遗传算法中更有可能被选择进行繁殖。

4. 选择（Selection）：选择操作是从当前种群中选择一些个体作为父母，以进行繁殖。

常见的选择方法包括轮盘选择、锦标赛选择和随机遍历选择等。

5. 交叉（Crossover）：交叉操作是将父母个体的基因进行组合，产生新的个体。

交叉操作可以增加种群的多样性，从而帮助算法更好地探索搜索空间。

6. 变异（Mutation）：变异操作是对个体的基因进行随机改变，以引入新的遗传信息。

变异操作可以防止算法陷入局部最优解，提高算法的全局搜索能力。

7. 代沟（Generation）：代沟是指种群中相邻两代个体之间的时间间隔。

每一代都经过选择、交叉和变异操作，生成新的一代个体。

8. 精英策略（Elite Strategy）：精英策略是保留每一代中适应度最高的个体，不参与交叉和变异操作，直接进入下一代。

精英策略可以保证最优个体不会被丢失。

这些基本概念是理解和应用基本遗传算法的基础。

通过不断迭代种群，进行选择、交叉和变异操作，遗传算法能够逐步优化个体的适应度，最终找到问题的最优解。

遗传算法（GA）学习笔记⼀、步骤：⼆、重点：1、编码由于遗传算法不能直接处理问题空间的数据，所以我们必须将问题空间的数据映射成遗传空间的基因型串结构数据，⽽算法程序是可以处理遗传空间的基因型串结构数据的。

⽐如现在要计算北京、天津、⼴东、新疆这四个城市的⼀条最优路径，但算法程序不能够直接处理北京、天津、⼴东、新疆这些数据，所以我们得给它们编上号，北京（0）、天津（1）、⼴东（2）、新疆（3），路径（天津->新疆->北京->⼴东）可以表⽰成基因型串结构数据（1302），这样算法程序只要直接处理它们的编号就⾏了。

（1）⼆进制编码，基因⽤0或1表⽰（常⽤于解决01背包问题）如：基因A：00100011010 (代表⼀个个体的染⾊体)（2）互换编码（⽤于解决排序问题，如旅⾏商问题和调度问题）如旅⾏商问题中，⼀串基因编码⽤来表⽰遍历的城市顺序，如：234517986，表⽰九个城市中，先经过城市2，再经过城市3，依此类推。

（3）树形编码（⽤于遗传规划中的演化编程或者表⽰）如问题：给定了很多组输⼊和输出。

请你为这些输⼊输出选择⼀个函数，使得这个函数把每个输⼊尽可能近地映射为输出。

编码⽅法：基因就是树形结构中的⼀些函数。

（4）值编码（⼆进制编码不好⽤时，解决复杂的数值问题）（源代码中使⽤类似此⽅法）在值编码中，每个基因就是⼀串取值。

这些取值可以是与问题有关任何值：整数，实数，字符或者其他⼀些更复杂的东西。

2、适应度函数遗传算法对⼀个个体（解）的好坏⽤适应度函数值来评价，适应度函数值越⼤，解的质量越好。

适应度函数是遗传算法进化过程的驱动⼒，也是进⾏⾃然选择的唯⼀标准，它的设计应结合求解问题本⾝的要求⽽定。

如TSP问题，遍历各城市路径之和越⼩越好，这样可以⽤可能的最⼤路径长度减去实际经过的路径长度，作为该问题的适应度函数。

3、选择在进化中，适者⽣存，所以在遗传算法运⾏过程中，会不断地选择优者保留下来，同时也不断地选择劣者淘汰下去。