寻优算法（1）

遗传算法是仿照了达尔文的生物进化概念：“物竞天择，适者生存”

选择：选择更适合生存者，淘汰劣势者。

交叉：下一代获得父母的基因片段，以得到更加优良的基因。

变异：光靠父母的基因不一定能够生存下来，环境等影响会造成基因的变异，使得其能跳出父母基因的限制，得到更适合生存的基因。

经过这样一轮轮的选择，优良的基因（自变量）就被选择出来了。

概率选择：自然界中，越适应的个体就越有可能繁殖后代。但是也不能说适应度越高的就肯定后代越多，只能是从概率上来说更多。对于上述三点“选择，交叉，变异”，遗传算法并不是（并不是劣势者就一定会被淘汰）常规的算法那种得到的值比其他值差就淘汰，而是给一个概率（谁说劣势者就一定会灭亡，它也有生存下去的可能，只是生存的几率低罢了），这个概率取决于个体的适应度大小（优化算法中即所得到的目标函数大小），这里使用轮盘赌来进行选择

适者生存下来的概率大些，但概率小的也不见得不能生存下来。你可以想象一下，我们转动轮盘，轮盘停下来的时候，指针会随机地指向某一个个体所代表的区域，那么非常幸运地，这个个体被选中了（很明显，适应度评分越高的个体被选中的概率越大）。

添加概率选择后，算法便多了可选择性，有了更多的可能，更容易跳出局部最优解。

下图是遗传算法的结构图

其中，GEN是当前代数；M是种群规模，i代表种群数量。