今天来学习一下遗传算法，其实相关的代码已经找到了，但是想先学一下，因为我发现我有些地方不能纯看代码看懂。还是得辅佐一下。
说白了就是模拟生物进化的，那么我们先构建一个模拟生物进化的模型，
首先，我们可以想象一下，
1.有三十只兔子在某一块地皮上，这就是初始种群。
2.这三十只兔子会相互繁育下一代，这之中会产生基因的交叉，即父母的染色体各取一条。还会产生染色体变异
3.产生的下一代还会不断的产生基因的交换与变异
4.物竞天择——因为某一个特定的规则，这个兔子活了下来，这里会复杂一点
我们可以简单思考一下，即使是物竞天择了、也不止是强壮的兔子活了下来，还有一些兔子侥幸活了下来。所以我们如果在模型里进行的话，简单来说，就是这个兔子的强壮程度决定了他活下去的概率。并且，这个兔子的强壮程度还会决定它的染色体会更优先被选中，即更容易发生交换（变异是无时无刻的，没有选择的）
在解释了一下遗传算法的基础思想之后，我们还要提一嘴
遗传算法，本质上还是在寻找最优解，它也是模拟的种群遗传去寻找最优解的。跟上次的模拟退火是一样的，目的上并没有区别。
1，相关的函数及解释
适应度函数（fitness function）
这个函数是基于你所添加的判断去计算适应度的。比方说，你想计算一个完全没有规律的函数的最优解，那么所有兔子越偏向优解的，越具有适应度。适应度函数就取决于你想要计算最优解的函数
选择函数（selection）
选择函数指的是种群选择度，是来源于适应度的，适应度越高，其越会被选择，当然这是概率层面更高，并非适应度低就完全不行。
染色体交叉与变异
理论上，将染色体转为二进制是最正规的，但是其本身是“像”而非好用（个人理解），我们正常使用，用浮点数就完全ok，当然，浮点数是有弊端的，不像二进制那种随意交换，我们可以选择把重点放在变异
染色体变异则是我们可想而知的东西。比方说，这个染色体的浮点数编码是1.1，2.5，4.6，之后发生变异，这个变异可以大也可以小，可以增也可以减，这些都可以，但是由于刚开始计算为了尽快到达尽量优解，而后期想要更为精确的到达最优解，我们可以动态规划变异，即刚开始变异步幅大，后期变异步幅小，可以在种群繁衍几十次之后修改，动态就好。
标签：函数,变异,兔子,染色体,数模,适应度,遗传算法 From： https://www.cnblogs.com/nish1hundun/p/17029995.html