下载文档原格式
遗传算法为了增加实用性，直接使用代码进行讲解；通过前面两章，我们知道交叉的方式有：单点交叉、多点交叉、均匀交叉、算术交叉、部分映射交叉【private List<Integer> singlePointCrossover(List<Integer> parent1, List<Integer> parent2) {// 单点交叉int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(Collections.nCopies(parent1.size(), -1));for (int i = startPos; i <= endPos; i++) {int gene = parent1.get(i);child.set(i, gene);}for (int i = 0; i < parent2.size(); i++) {int gene = parent2.get(i);if (!child.contains(gene)) {for (int j = 0; j < child.size(); j++) {if (child.get(j) == -1) {child.set(j, gene);break;}}}}return child;}// 交叉操作（多点交叉）private List<Integer> multiPointCrossover(List<Integer> parent1, List<Integer> parent2) {int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(parent1.subList(startPos, endPos));for (Integer gene : parent2) {if (!child.contains(gene)) {int insertionIndex = random.nextInt(child.size() + 1);child.add(insertionIndex, gene);}}return child;}// 交叉操作（均匀交叉）private List<Integer> uniformCrossover(List<Integer> parent1, List<Integer> parent2) { List<Integer> child = new ArrayList<>();for (int i = 0; i < parent1.size(); i++) {if (random.nextBoolean()) {child.add(parent1.get(i));} else {child.add(parent2.get(i));}}return child;}// 交叉操作（算术交叉）private List<Integer> arithmeticCrossover(List<Integer> parent1, List<Integer> parent2) {List<Integer> child = new ArrayList<>();for (int i = 0; i < parent1.size(); i++) {int gene1 = parent1.get(i);int gene2 = parent2.get(i);child.add((gene1 + gene2) / 2);}return child;}// 交叉操作（部分映射交叉）private List<Integer> partiallyMappedCrossover(List<Integer> parent1, List<Integer> parent2) {int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(Collections.nCopies(parent1.size(), -1));for (int i = startPos; i <= endPos; i++) {int gene = parent1.get(i);child.set(i, gene);}for (int i = startPos; i <= endPos; i++) {int gene = parent2.get(i);int index = parent2.indexOf(gene);while (child.get(index) != -1) {gene = parent2.get(index);index = parent2.indexOf(gene);}child.set(index, parent2.get(i));}for (int i = 0; i < parent1.size(); i++) {if (child.get(i) == -1) {child.set(i, parent2.get(i));}}return child;}】。
遗传算法的基本操作1 遗传算法遗传算法（Genetic Algorithm，简称 GA）是一种染色体基因行为模拟的进化计算算法，它是一种基于自然选择和遗传变异进化机制的计算智能方法，是从生物学进化规律探索求解各种复杂问题的一种工具。
遗传算法是一种元胞自动机入门级的人工智能技术，能够解决各种复杂的最优化问题。
2 遗传算法的基本操作遗传算法的基本操作主要包括以下几个步骤：1.初始化种群：分配种群中每个个体的基因型，对种群中每个染色体随机分布互不相同的基因，成功分配染色体。
2.测试种群：评估种群中各个个体的适应度。
3.挑选进化操作：根据适应度值大小，选择优秀个体留入下一代。
4.变异和交叉：执行变异操作和交叉操作，以旧的种群基因组为基础生成新的基因组，以挑选某几代作为新的种群。
5.使用适应度值：重新计算每个个体的适应度，建立新的种群，获取最优解。
3 遗传算法在工程中的应用遗传算法可以完成多种实现最优解的工程问题，如最易支付路径分析、公路交叉路口路径优化、货物运输路线最优解、拆线问题等等。
随着科学技术的进步，遗传算法也广泛应用于其他领域，如通信网络结构优化、模式识别、系统自控等，使利用遗传算法工程化运用更加广泛，受到计算机应用研究者的追捧。
4 遗传算法的优势遗传算法有着诸多优势：1. 遗传算法可以解决非线性多变量优化问题；2. 遗传算法没有预定义的搜索空间，能够自动根据变量的取值范围搜索最优解；3. 能够处理连续和离散的优化变量；4. 遗传算法可实现并行化搜索，可大大提高计算速率；5. 遗传算法可以从全局最优出发搜索；6. 遗传算法擅长解非凸优化问题，比如有多个局部最优；7. 遗传算法可以应用于大规模复杂的优化问题。
遗传算法的运行效率不高，一般在解决工程优化问题时，常会伴随其他技术或工具，比如模糊技术、神经网络等，共同完成相应的优化工作。
此外，为了确保在种群的进化过程中保持正确的进化方向，必须了解其精准的适应度函数，为此必须提供明确的评价函数，这是关键性任务。
遗传算法调参遗传算法（Genetic algorithm）遵循适者⽣存、优胜劣汰的法则，即寻优过程中保留有⽤的，去除⽆⽤的。
在科学和⽣产实践中表现为在所有可能的解决⽅法中找出最符合该问题所要求的条件的解决⽅法，即找出⼀个最优解。
遗传算法有4个参数需要提前设定，⼀般在以下范围内进⾏设置：（1）群体⼤⼩：20~100（2）遗传算法的终⽌进化代数：100~500（3）交叉概率：0.4~0.99（4）变异概率：0.0001~0.1算法参数的设计原则1.种群初始化初始的种群⽣成是随机的。
在初始种群的赋值之前，尽量进⾏⼀个⼤概率的区间估计，以免初始种群分布在远离全局最优解的编码空间，导致遗传算法的搜索范围受到限制，同时也为算法减轻负担。
虽然初始种群中的个体可以随机产⽣，但最好采⽤如下策略设定：(1) 根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始种群；(2) 先随机产⽣⼀定数⽬的个体，然后从中挑选最好的个体加⼊到初始群体中。
这种过程不断迭代，直到初始群体中个体数⽬达到了预先确定的规模。
2.种群的规模群体规模太⼩，很明显会出现近亲交配，产⽣病态基因。
⽽且造成有效等位基因先天缺失，即使采⽤较⼤概率的变异算⼦，⽣成具有竞争⼒⾼阶模式的可能性仍然核销，况且⼤概率变异算⼦对已有模式的破坏作⽤极⼤。
同时，遗传算⼦存在随机误差（模式采样误差），妨碍⼩群体中有效模式的正确传播，使得种群进化不能按照模式定理产⽣所预期的期望数量。
群体规模太⼤，结果难以收敛且浪费资源，稳健性下降。
3.变异概率变异概率太⼩，种群的多样性下降太快，容易导致有效基因的迅速丢失且不容易修补；变异概率太⼤，尽管种群的多样性可以得到保证，但是⾼阶模式被破坏的概率也随之增⼤。
4.交配概率与变异概率类似，交配概率太⼤容易破坏已有的有利模式，随机性增⼤，容易错失最优个体；交配概率太⼩不能有效更新种群5.进化代数进化代数太⼩，算法不容易收敛，种群还没有成熟；进化代数太⼤，算法已经熟练或者种群过于早熟不可能再收敛，继续进化没有意义，只会增加时间开⽀和资源浪费⼩结：遗传算法(GAs)作为⼀种鲁棒的、实⽤的优化⽅法，既可以⽤于离散域也可以⽤于连续域上。
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。
遗传算法的的原理及应用遗传算法是一种模拟自然界中生物进化过程的优化算法。
它通过模拟生物的遗传机制和进化规律，利用群体中个体之间的基因交叉、变异和选择等操作来搜索最优解。
遗传算法在解决复杂问题、寻找最优解和优化参数等方面具有很好的应用前景。
遗传算法的原理是基于自然选择和遗传遗传的思想，其主要流程包括初始化种群、选择操作、交叉操作和变异操作等。
1. 初始化种群：将问题抽象成染色体表示形式，并通过随机生成初始个体形成初始种群。
每个个体对应一个解。
2. 选择操作：根据个体的适应度函数值（目标函数值），选择适应度较高的个体作为下一代的父代。
选择操作有多种方法，如轮盘赌选择、竞争选择等。
3. 交叉操作：从父代中选择一对个体作为交叉对象，通过染色体交叉产生下一代的子代。
交叉操作可以随机选择交叉点或按照染色体的结构进行交叉。
4. 变异操作：对子代染色体的基因进行变异操作，改变染色体编码的值，引入新的基因，增加种群的多样性。
变异操作可以增加搜索空间的广度。
5. 重复执行选择、交叉和变异等操作，生成下一代，并计算适应度值。
直到满足终止条件，如达到最大迭代次数或找到最优解等。
遗传算法在很多领域都有广泛的应用，如优化问题、机器学习、图形分析、自动化设计等。
1. 优化问题：遗传算法可以帮助寻找最优解，如组合优化、旅行商问题、背包问题等。
通过定义适应度函数，遗传算法可以在解的空间中搜索最优解。
2. 机器学习：遗传算法可以用于优化模型的超参数选择，如神经网络的隐层节点数、迭代次数等。
通过遗传算法，可以快速地搜索到最优的超参数组合，提高模型的性能。
3. 图形分析：遗传算法可以用于图像分析和图像处理。
通过遗传算法可以提取图像的特征，如边缘检测、目标识别等。
同时，也可以通过遗传算法优化图像处理算法的参数，如滤波器的大小、阈值等。
4. 自动化设计：遗传算法可以用于自动设计和优化复杂系统，如电子电路设计、机械结构设计等。
通过定义适应度函数和限制条件，遗传算法可以搜索到最优设计方案。
遗传算法的详解及应用遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传过程的算法。
在人工智能和优化问题中得到了广泛的应用。
本文将详细介绍遗传算法的基本原理和优化过程，并探讨它在实际应用中的价值和局限性。
一、遗传算法的基本原理遗传算法的基本原理是通过模拟生物进化的过程来寻找一个问题的最优解。
在遗传算法中，优秀的解决方案（也称为个体，Individual）在进化中拥有更高的生存几率，而劣质的解决方案则很快被淘汰。
在遗传算法的过程中，每个个体由若干个基因组成，每个基因代表某种特定的问题参数或者状态。
通过遗传算法，我们可以找到问题最优的解或者其中一个较优解。
遗传算法的基本流程如下：1. 初始化群体（Population）：首先，我们需要随机生成一组初始解作为群体的个体。
这些个体被称为染色体（chromosome），每一个染色体都由一些基因（gene）组成。
所以我们可以认为群体是由很多染色体组成的。
2. 选择操作（Selection）：选择运算是指从群体中选出一些个体，用来繁殖后代。
其目的是让优秀的个体留下更多的后代，提高下一代的平均适应度。
在选择操作中，我们通常采用轮盘赌选择（Roulette Wheel Selection）法、锦标赛（Tournament）法、排名选择（Ranking Selection）法等方法。
3. 交叉操作（Crossover）：交叉运算是指随机地从两个个体中选出一些基因交换，生成新的染色体。
例如，我们可以将染色体A和B中的第三个基因以后的基因交换，从而产生两个新的染色体。
4. 变异操作（Mutation）：变异运算是指随机改变染色体中的个别基因，以增加多样性。
例如，我们随机将染色体A的第三个基因改变，从而产生一个新的染色体A'。
5. 适应度评估（Fitness Evaluation）：适应度评估是指给每一个个体一个适应度分数，该分数是问题的目标函数或者优化函数。
遗传算法概述一：起源遗传算法（Genetic Algorithm，简称GA）起源于生物系统所进行的计算机模拟研究。
受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术——遗传算法●1967 美国Michigan大学的Holland教授的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。
●Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本定理——模式定理（Schema Theorem），并于1975年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation in Natural and Artificial Systems》。
●20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。
●1975年，De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。
●1989年，Goldberg出版了《Genetic Algorithm in Search，Optimization and MachineLearning》一书，系统地总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及其应用。
●1991年，Davis出版了《Handbook of Genetic Algorithms》一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。
●1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程（Genetic Programming，简称GP）的概念。
从遗传算法的整个发展过程来看：20世纪70年代是兴起阶段20世纪80年代是发展阶段20世纪90年代是高潮阶段二：概念生物的进化过程主要通过染色体之间的交叉和变异来完成的。
基于对自然界中生物遗传和进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法表示问题的可行解，开发出了许多种不同的编码方式来模仿不同环境下的生物遗传特性，这样，由不同的编码方法和不同的遗传算子就构成了不同的遗传算法。
遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达尔文的进化论和孟德尔的遗传学说。
其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。
遗传算法的操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。
在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。
这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境，就像自然界中的改造一样。
编码：由字符串组成的串，即染色体，表示个体或当前近似解三：遗传算法的特点传统算法：基于一个单一的度量函数的梯度或较高次统计，以产生一个确定性的实验解序列。
遗传算法：借鉴生物界自然选择和自然遗传机制的随机搜索方法，不依赖梯度信息，而通过模拟自然进化过程来搜索最优解。
它利用某种编码技术，作用于称为染色体的数字串，模拟由这些串组成的群体的进化过程。
优点：1：对可行解表示的广泛性●通过对连接矩阵的操作，遗传算法可用来对神经网络和自动机的结构或参数加以优化。
●通过对集合的操作，遗传算法可实现对规则集合和知识库的精炼而达到高质量的机器学习目的。
●通过对树结构的操作，用遗传算法可得到用于分类的最佳决策树●通过对任务序列的操作，遗传算法可用于任务规划，而通过对操作序列的处理，可自动构造顺序控制系统。
2：群体搜索特性传统方法都是单点搜索，遗传算法采用的是同时处理群体中多个个体的方法3：不需要辅助信息用适应度函数的数值评估基因个体，适应度函数不仅不受连续可微的约束，而且其定义域是可以任意设定的。
对于适应度唯一的要求是：编码必须与可行解空间对应，不能有死码4：内在启发式随机搜索特性不采用确定性规则，采用概率的变迁规则来指导搜索方向。
5：遗传算法在搜索过程中不容易陷入局部最优即使在所定义的适应度函数是不连续的、非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。
6：遗传算法采用自然进化机制来表现复杂的现象能够快速可靠地解决求解非常困难的问题。
7：遗传算法具有固有的并行性和并行计算的能力8：具有可扩展性，易于同别的技术混合使用缺点：1：编码不规范及编码存在的不准确性2：单一的遗传算法编码不能全面地将优化问题的约束表示出来。
3：效率低4：容易出现过早收敛5：对算法的精度、可信度、计算复杂性等方面，还没有有效的定量分析方法四：遗传算法与传统算法的比较可可可可可可可可可可可可可可五：遗传算法的基本用语遗传学和遗传算法中基本用语对照表六：遗传算法的应用遗传算法的主要应用领域7.2 基本遗传算法一：遗传算法的运行过程遗传算法的一般步骤遗传算法的运算流程使用选择算子、交叉算子和变异算子的遗传算法的运算过程：1)编码：解空间中的解数据x，作为遗传算法的表现型形式。
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。
对于不同的问题，适应度函数的定义方式不同。
根据具体问题，计算群体P(t)中各个个体的适应度。
4)选择：将选择算子作用于群体。
5)交叉：将交叉算子作用于群体。
6)变异：将变异算子作用于群体。
群体P(t)经过选择、交叉、变异运算后得到下一代群体P(t+1)。
7)终止条件判断：若t≤T，则t←t+1，转到步骤2）；若t＞T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。
二：遗传算法的基本操作三个基本操作：选择(Selection)、交叉(Crossover)、变异(Mutation) 1) 选择目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。
根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。
遗传算法通过选择运算体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。
这样就体现了达尔文的适者生存原则。
2) 交叉目的是得到新一代个体，新个体组合了父辈个体的特性。
将群体中的各个个体随机搭配成对，对每一个个体，以某个概率（交叉概率）交换他们之间的部分染色体。
交叉体现了信息交换的思想。
3) 变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机改变串结构中某一个串的值，即对群体中的每一个个体，以某一概率（变异概率）改变某一个或某一些基因座上基因值为其他的等位基因。
同生物界一样，遗传算法变异发生的概率很低。
变异为新个体的产生提供了机会。
三：基本遗传算法Simple Genetic Algorithm SGA以群体中的所有个体为对象，只使用基本遗传算子：选择算子、交叉算子、变异算子1. 数学模型0(,,,,,,,)SGA C E P M T =ΦΓψ其中： C ：个体的编码方法 E ：个体适应度评价函数 0P ：初始种群M ：种群大小Φ：选择算子 Γ：交叉算子：ψ：变异算子T ：遗传运算终止条件2. 基本遗传算法的步骤 1) 染色体编码使用固定长度的二进制符号串来表示群体中的个体，其等位基因由二值组成。
初始群体中各个个体的基因可用均匀分布的随机数来生成 如：X=100111001000101101表示一个个体，染色体长度n=18● 编码：设某一个参数的取值范围[]12,U U ，长度为k ，则总共产生2k种不同的编码1112000000000000000000001100000000102211111111112k U U U U δδ=→=→+=→+=→其中2121kU U δ-=-● 解码：假设某一个体的编码为1221k k k b b b b b -- ，则对应的解码公式为12111221k i i k i U UX U b -=-⎛⎫=+ ⎪-⎝⎭∑如：设参数[]2,4X ∈，5位二进制编码对X 进行编码，32个二进制串（染色体）0000000001 00010 00011 00100 00101 00110 00111 01000 01001 01010 01011 01100 01101 01110 01111 1000010001100101001110100 10101 10110 10111 11000 11001 11010 11011 11100 11101 11110 11111解码2210101x =12111221k i i k i U UX U b -=-⎛⎫=+ ⎪-⎝⎭∑ 512341210212021221i i i b -==+⨯+⨯+⨯+⨯=∑542221 3.354821X -=+=-2) 个体适应度的监测评估基本遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中的机会多少。
为了正确评估这个概率，要求所有个体的适应度必须为非负数。
所以根据不同种类的问题，需要预先确定好由目标函数值到个体适应度之间的转换规律，特别是要预先确定好当目标函数值为负数时的处理方法。
例如：()f x c +目标函数加上一个适当大的正数c3) 遗传因子● 选择运算使用比例选择算子。
比例选择因子是利用比例于各个个体适应度的概率决定其子孙的遗传可能性。
若设种群数为M ，个体i 的适应度为i f ，则个体i 被选取的概率为1ii Mkk f P f==∑当个体选择的概率给定后，产生[0，1]之间的均匀随机概率来决定哪个个体参加交配，若个体的选择概率大，则能被多次选中，它的遗传因子就会在种群中扩大；若单个的选择概率小，则被淘汰。
● 交叉运算使用单点交叉算子 只有一个交叉点位置，任意挑选经过选择操作后种群中两个个体作为交叉对象，随机产生一个交叉点位置，两个个体在交叉点位置互换部分基因码，形成两个子个体。
父个体1父个体2子个体1子个体2● 变异运算使用基本位变异算子或均匀变异算子。
为了避免问难过早收敛，对于二进制的基因码组成的个体种群，实现基因的小概率反转，即0变为1，1变为04)基本遗传算法的运行参数M为群体大小，群体中所含个体的数量，20~100T遗传算法的终止进化迭代，100~500P交叉概率 0.4~0.99cP变异概率 0.0001~0.1m。
