遺傳算法

一直以爲遺傳算法高大上，而後都不明覺厲，決定仍是要學習下這個優化算法。

遺傳算法主要是模擬咱們高中學的染色體變異、染色體交叉等過程，而後經過優勝劣汰得到最優解。

遺傳算法中，一個基本單位爲「個體」，一個種羣（系統）中擁有好多個體。每一個個體攜帶兩個內容：染色體與適應度。以羊羣舉例

整個牧場 -> 一個種羣

一頭羊->一個個體

某頭羊決定肥瘦程度的染色體->該個體的染色體（模型中全部變量構成一條染色體，每一個變量就是染色體上一個基因）

肥瘦程度->適應度（每一個個體的適應度就至關於這個模型在「這個染色體的變量的值下的解」，評價模型的最優解）

目標->養出最肥的羊（尋找最優解，從中挑出來最大的適應度，它就是在當前狀況下的最優解）

遺傳算法流程：

一次迭代包括如下幾個過程：

1. 染色體變異。即改變某個染色體的值；適應度越優的個體染色體變化範圍越小，經過一個隨機數讓染色體值變化
2. 染色體交叉。任意選擇兩個染色體交換部分基因；隨機選擇一對節點，相互交換對應的值便可
3. 計算適應度。計算每一個染色體在當前迭代下對應的適應度。
4. 優勝劣汰。殺死排名最後的那個個體。殺死以後種羣數量就變少了，因此就必需要讓比較優良的個體多生點來把種羣數量補回來。

 

GA的目標函數和限制條件都要人爲根據業務場景調整

 

視頻參考：https://morvanzhou.github.io/tutorials/machine-learning/evolutionary-algorithm/2-01-genetic-algorithm/