遗传算法

一直觉得遗传算法高大上，然后都不明觉厉，决定还是要学习下这个优化算法。

遗传算法主要是模拟我们高中学的染色体变异、染色体交叉等过程，然后通过优胜劣汰获得最优解。

遗传算法中，一个基本单位为“个体”，一个种群（系统）中拥有好多个体。每个个体携带两个内容：染色体与适应度。以羊群举例

整个牧场 -> 一个种群

一头羊->一个个体

某头羊决定肥瘦程度的染色体->该个体的染色体（模型中所有变量构成一条染色体，每个变量就是染色体上一个基因）

肥瘦程度->适应度（每个个体的适应度就相当于这个模型在“这个染色体的变量的值下的解”，评价模型的最优解）

目标->养出最肥的羊（寻找最优解，从中挑出来最大的适应度，它就是在当前情况下的最优解）

遗传算法流程：

一次迭代包括以下几个过程：

1. 染色体变异。即改变某个染色体的值；适应度越优的个体染色体变化范围越小，通过一个随机数让染色体值变化
2. 染色体交叉。任意选择两个染色体交换部分基因；随机选择一对节点，相互交换对应的值即可
3. 计算适应度。计算每个染色体在当前迭代下对应的适应度。
4. 优胜劣汰。杀死排名最后的那个个体。杀死之后种群数量就变少了，所以就必须要让比较优良的个体多生点来把种群数量补回来。

GA的目标函数和限制条件都要人为根据业务场景调整

视频参考：https://morvanzhou.github.io/tutorials/machine-learning/evolutionary-algorithm/2-01-genetic-algorithm/