一、遗传算法原理遗传算法(GA )是一种基于生物界规律和自然遗传机制的并行搜索算法。 1975年，精力充沛的甜瓜教授首次在书中提出“自然组合人工智能系统的适应性”。 这是一种多参数、多组合并行优化方法，模拟自然进化过程中“自然选择、适者生存”的原则。 主要特征是组间搜索方法和组内个体信息的交换。 GA最适合于解决传统搜索方法难以解决的非线性问题[1]。 与其他启发式算法相比，遗传算法具有以下特点。
)1)遗传算法从多个初始点而不是单个初始点开始搜索，可以有效地跳出局部极值；
)2)利用目标函数的评价信息而不是传统导数的目标函数，形式对目标函数没有要求，适应性和规模化良好
)3)具有良好的全局最优解搜索能力，在非连续甜蜜的电话和吵闹的环境中大概率收敛到全局最优或满意的解；
(4)以逐流程划分为决策变量，优化生产流程，解决最佳工作日程问题
)5)具有天生并行性，一边对集团进行运算，一边对多个结果进行信息检索； 有一定的概率，提高了搜索最佳解决过程的灵活性。
GA从种群的初始解决方案开始其搜索过程。 组内各个体称为染色体。 反复过程中染色体不断更新称为遗传。 GA主要通过交叉、变异、选择算子来实现。 染色体的优点和缺点通常通过适应性来评价。 根据拟合优度值的大小，从父代和后代中选择一定比例的个体作为后代群体，继续迭代计算，直到其收敛到全局最优染色体。 适应度是遗传算法用于评价种群在进化过程中所能达到的最佳值的概念。 为了证明染色体的适应性，引入测量各自染色体的功能函数，称为适应度函数。
遗传算法的主要组成部分如下。
(1)编码方式。 遗传算法通常基于问题本身进行编码，将问题的有效解决方案转换为遗传算法的搜索空间。 工业上常用的编码方法有实数编码、二进制编码、整数编码、数据结构编码。
)2)适应度函数。 适应度函数也称为目标函数，是记述个体整体与其适应度的对应关系的函数。 适应性强的个体中含有的高质量基因传给后代的概率高，适应性差的个体遗传概率低。
)3)遗传操作。 基本的遗传操作包括选择、交叉和变异。
a )选择。 选择操作基于个体适应度评价，在群体中选择适应度较高的个体，排除适应度较低的个体。 当然，选择操作也会带来不同的结果，有效的选择操作可以明显提高检索效率
减少速度和浪费的计算量。
一般的选择方法有基于比例的适应度分配方法、期待值的选择方法、基于排名的适应度分配方法、轮盘赌选择方法等。
b )交叉。 在自然界生物进化过程中，两条染色体通过转基因形成新的染色体，因此交叉操作是遗传算法的核心部分。 交叉算子的设计需要根据具体问题进行具体分析，编码操作和交叉操作必须相互辅助，交叉产生的新个体必须满足染色体编码规律。 亲染色体的优良性状能最大限度地遗传到新一代染色体上，其间也能产生一些良好的性状。
常见的交叉算子包括实质重组、中间重组、离散重组、线性重组、二进制交叉、单点交叉、均匀交叉、多点交叉和代理交叉的减少。
c )变异。 用随机选择的方法改变染色体上的基因。 变异本身可以视为随机算法，严格来说，是生成新个体的辅助算法。
与浮点数代码和二进制代码个体一致的几个交叉运算：一点交叉、均匀交叉、算术交叉、两点交叉和多点交叉。
算法的结束条件。 算法终止一般是指适应度函数值的变化稳定或满足迭代终止的公式要求，也可以迭代到指定代数后停止演化。
流程图：
二、应用2.1遗传算法求解函数最大值问题(最大值/最小值(https://blog.csdn.net/QQ _ 44152192/article/details/117334618
[1]紧张的棉花糖，笑的季节，怕黑的黄蜂，孤独的毛衣，往常的小馒头。 遗传算法在优化问题中的应用综述[J] .山东工业技术，2019(12 ) :242-243 180 .