人工智能之快速理解遗传算法

今天介绍另外一种朴素仿生学算法，遗传算法。听上去好像好高大上的样子，与生物、基因相关，其实思想非常简单，就是参考生物进化过程，模拟染色体DNA的交叉（染色体段的交换）和变异（基因突变就是在基因复制的时候某个碱基的密码发生变化如应该是A结果变成了T或者其他类型的碱基，碱基有ATCG四种）来生成不同的种群，用适应性函数（模拟环境筛选作用）来筛选出较好的子代，然后不断重复迭代这个过程直至达到最优。

遗传算法核心就是要确定适应函数如何设计、子代如何选择。适应性函数往往是从问题中综合而来，可以假设为已知。而子代的选择规则可以用朴素的概率论的思想表达。即适应性越强的子代，存活的概率越高（子代生存概率=子代适应性/所有子代适应性之和），求作为概率最大的子代进化（适应性函数是根据问题设计的，可以视为已知）。

但只考虑用适用性作为筛选标准会遇到陷入局部最大的问题，引入多样性评价可以解决这个问题（多样性评价，就是在适应性选择后用子代之间的差异最优为标准选择下一个子代。

不少问题都可以用上述思想来建模，例如一个计划包括了N个环节，求最优的计划。每个环节都可以看成为一个碱基（ATCG），通过遗传算法来求最优计划，变异意味着碱基序列发生变化如A-T/C/G，象征着基因位点的突变，而环节的交换可以看作染色体交换，适应性函数可以看作计划性能，通过进化（迭代若干次）得到最优计划。