本文试图通过几幅简明的图来介绍遗传算法。
背景
当一些问题不存在确定性的最优解法，或者说最优解法的施展时间长的1-B，那我们就得开始考虑点其他路子了。
比如说旅行商问题：
旅行商要去很多城市卖货，为了节省时间，它一个城市只去一次，最后还得返回原城市，因为他老婆不允许他离开太久。
它怎么走比较合算？
城市的分布可能会像下面这样：
旅行商会想就是把所有城市路线做个排列（一半），然后看看哪条路线最短就按哪条路线来。
好吧，如果旅行商要去的城市只有3-5个还好说，如果旅行商生意太好，可能要去几十个城市，那这个方法行不通。
为什么呢？
O(1)<O(logN)<O(N)<O(N2)<O(N!)
如果你熟悉时间复杂度，一定明白我在说什么，不信，自己试试34的阶乘算出来是个什么，亲，如果钱包有那么多钱那该多好。
好在，达尔文总结出了自然界的一个不知确否的道理，就是生物通过优胜劣汰的自然选择过程，来完成进化。
这个过程，看起来像是一堆随机不确定的微小变化中，让确定而显著的优势变化延续下来。
谁强，谁就更有话语权，资源就该属于这种强强的亲，而弱弱的主因为无法抗拒灾难和考验，最终就被淹没在进化的过程中。
遗传算法
既然生命都可以进化，现存的生物都是摸爬滚打、出生入死过来的，那么解决点计算问题还有什么复杂的。
于是，我们想着用可以量化的数学的方式去表达这种进化过程，然后让计算机来模拟自然选择和种群的演化，看看会有什么样的优质个体（解）出现。
也许不能得到一个最优的解，但旅行商恐怕不得不接受一个差不多的解：
好吧，那我们来认识一下所谓的遗传算法（genetic algorithms）。
遗传算法，是一种进化算法，进化大家都明白。
那么生命的变化在于基因的变化，什么是基因呢，我们不关注真正的生物基因，毕竟这里不是讨论生殖问题：
如果把基因(gene)当做一个经过编码的元素，用一个数组或者列表来存储一组基因，这组基因就是染色体（chromosome）。
/**
* 基因
*/
private class Gene {
/**
* 编码
*/
int value;
/**
* 等位基因（编码的值）
*/
Integer Allele;
}
public interface IChromosome {
public Genes[];
}好，有了这个表达基础，就可以很好的描述进化过程了。
为了简化问题，突出本质，我们简化种群（population）的描述：
这张图告诉我们
种群包含了若干个个体（染色体），一次又一次的进化，让种群规模变大，个体数目变多，优质个体也越来越多。
那么我们的解可能就蕴藏其中呢？
这幅图没有告诉我们关于进化的细节信息，显然，我们需要了解进化到底是什么东东。
你可能觉得我骗了你，但事实上，进化只有三维，就是选择（select）、交叉(crossover)和变异(mutate)。
让我们继续认识进化。
选择
选择就是选择，为什么选择，因为要优胜劣汰：
个体们在种群内部，不能闲着，都得上学打工养老婆，所以它们需要通过各种考试和考核。
通过考核的加薪升职，否则就扫地出门。
上面的图可以告诉我们，选择是针对种群的操作，选择的目的是为了确保下一代种群的质量更佳。
交叉
那么，个体之间又如何出现了差异？这要从个体的爸爸妈妈说起，现在不是都搞什么优质基因人工D孕吗，好吧，个体的差异就是因为繁殖而出现的。
人家都会说，哇，这孩子长得跟花儿似的！
其实，可能是这孩子他妈妈很漂亮，优秀的基因得以传递。
也有人会说，哦哟，这孩子眼睛跟他爹一样乌黑乌黑的，说明他爹可能是个码农，而且孩子不幸遗传了他爹的这些个…
下面将进入少儿不宜环节：
至于激情的细节如何，本篇不打算讨论交叉的具体算法，但要说明它的意思：
交叉就是对两组父个体进行基因交叉，从而形成1个或者1组新的基因序列或染色体。
交叉可以随机，但尽量要避免无意义的交叉。
交叉的目的是在个体中增加大幅度的变化，并集成父母的优质基因。
交叉是遗传算法最重要的一步操作。
变异
也许孩子是个富二代，也许孩子是个官二代，但有可能就是一个普通的孩子，令人遗憾的是，他比较喜欢他爸，他幼稚的心灵觉得他爸挺牛X的，所以他觉得码农挺牛X的。
不同的，这孩子喜欢汇编，囧~
这是他的个性，谁也阻止不了，人家会说，这孩子一点都不像他妈妈。
那么这种个性，虽然不全是，但基因方面的原因可能是：
变异其实没有交叉重要，而且可能产生极坏的变异。
但变异是一种对交叉的补充和完善，也是一种有风险的创新。
旅行商
现在我们回到旅行商问题，如果对城市进行编号，比如1、2、3、...、N，那么一条路线就是这样：
3,10,2,1,...,20,3
每个城市的编号就是一个基因，城市的排列就是一个染色体（基因序列）。
那么，在经过若干次进化之后，优质染色体就可以被挑选出来，旅行商也就得到了一个接近最短的旅行路线：
亲，这就是遗传算法。