遗传算法（GA）
算法背景
遗传算法(Genetic Algorithm, GA)是模拟生物在自然环境中的遗传和进化的过程而形成的自适应
全局优化搜索算法。遗传算法借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种并行、
高效、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制
搜索过程以求得最优解。遗传算法操作使用"适者生存”的原则，在潜在的解决方案种群中逐次产生
一个近似最优的方案。在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中
借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的
新个体比原个体更能适应环境，就像自然界中的改造一样。
基本原理
对每个个体进行进化，然后择优录取
编码
将问题的可行解，抽象编码为适用于遗传算法的形式
二进制编码：将数值转换为二进制串，用以求解问题
用一个二进制串表示十进制数值
给定数值解区间范围[1,10]
给定精度:1e-5,两个数值之间的间隔
进行编码：为每个数值解分配一个独一无二的二进制串，串所能表示的数值的个数大于等于解
的个数
一个长度n的串，表示
区间范围为【1,10】长度2串提供精度
数值区间长度L，精度E条件下，二进制串长度n，三者关系
解码
二进制串的索引，当前串是第几个串，可以使用二进制转十进制得到
【1,0】为例，转化为十进制2，找对应数值1+2*3=7
一般，区间范围为【a,b】,区间长度L，L=b-a,串长n，当前串十进制T，对应实值解
个体进行复制，以概率进行基因的交叉，复制交叉方式多种多样
复制
将个体适应度大小映射为概率进行复制:适应度高的个体有更大概率复制，且复制的份数越多轮盘赌法。
对适应度高的前N/4的个体进行复制，然后用这些个体把后N/4个体替换掉-精英产生精英。
一定是将当前个体的复制体将下一一个个体替换掉吗?随机可以吗? YES!
一 定只能把"坏解”替换掉吗?把随机某个适应度高5的解替换掉呢? YES!
交叉
按顺序,两两个体之间按概率交叉。如1和2,2和3等。或者1和2,2和4等，或者1和4这样。
必须两两交叉? 3个可以吗? YES!。 5个? YES!
对适应度高的前N/2个体、 甚至N/4的个体之间相互交叉? YES!
一定是按顺序交叉吗?对每个个体随机从前N/2中选一一个个体交叉? YES!
一定是只有一段交叉?多段呢? YES! 
变异
每个个体都进行变异。
只对适应度低的后N/4的，或者后N/2个个体变异? YES!
必须都变异吗?按适应度大小映射为概率变异? YES!
一 定是只有一个位点变异?多个位点呢? YES!
算法实现
复制：按适应度大小映射为概率，进行轮盘赌复制
交叉：1和2,3和4，以一定概率决定是否交叉，若交叉，则二者随机一个段进行交叉
变异：按照一定概率决定改个体是否变异，若变异，随机选择一个点进行变异，按位取反
轮盘赌基本思想：适应度越高的解，按道理越应该高概率的进行复制，且复制的份数应该越多
随机数落到不同区域，进行复制：如rand=0-0.2,则对X1复制，缺点需要一直进行比较，划分n个区域可能就需要n个判断
再具体实现时 ，先将小于0.2的都进行判断，再出现随机数只需要判断一端
优点
1）参数少，理论优势
2）变异机制赋予群体跳出局部极值的能力
缺点
容易陷入局部最优，算法实现较繁琐