遗传算法

遗传算法是模仿生物界中的自然选择去解决NP性质问题的好手段。遗传算法有几个关键的概念：基因，染色体，遗传操作，适应度,初始化种群。遗传代数



基因：基因可以是双值型或者多值型，也可以是由于多个双值型或者多值型的基因组成。算法中对应于问题的某个方面,
染色体：由于多个基因组成，表示一个个体，
遗传操作：对个体的染色体进行重新组织以产生新的染色体，基本操作有有，交叉，变异。交叉率的取值最好是在0.7-0.9，变异率的取值最好是在0.1-0.3。否则会引起遗传算法的过早收敛
　　只能够得到局部优解，而不能够得到全局近优解。对于交叉可以采用赌轮法或者其他方法。变异也是为了过早收敛只能够得到局部解。
适应度：表示个体的适应能力，适应度越高表示适应能力越强，越有可能是我们的答案。因此在这里需要一个适应度函数对个体进行适应度描述。适应度函数里面计算每个基因的适应能力，相思就是
此个体的总适应能力。适应度函数和基国与具体的应用场景有关。需要独自编写
初始化种群：表示将要进行遗传算法的样本，种群的样本越广泛，且适应度都比较高，后面越有可能得到优化的解。
遗传代数：表示需要进行多少次遗传算法操作

为了提高遗传算法的准确性需要注意以下几点：
　1。初始化种群需要广泛且适应度都比较高
　3。交叉率为0.7-.09,变异率为0.1-0.3