竹子有什么品质【车间调度】遗传算法的基本理论
本系列为⾃⼰学习调度相关知识的记录，如有误请指出，也欢迎调度⽅向的⼩伙伴加我好友共同交流。
物竞天择适者生存遗传算法的提出
遗传算法（genetic algorithm，ＧＡ）是由美国Michigan⼤学的John Holland教授在1975年⾸先提出的，它是⼀种模拟⽣物⾃然进化现象的优化算法。随后在1989年，Golgberg的著作对遗传算法做了更为全⾯⽽系统的总结，也由此奠定了遗传算法的基础。
绿茶的冲泡方法遗传算法的思想
遗传算法借⽤了⽣物遗传学的思想，以及⾃然界中的“物竞天择，适者⽣存”原则，将问题的解表⽰成“染⾊体”，通过模拟⾃然选择、交叉、变异等操作，实现个体适应度的提⾼，不断迭代，逐步寻最优解（或次优解）。遗传算法在求解问题时，从⼀组随机产⽣的初始种开始搜索。种中⼀个个体（individual）表⽰问题的⼀个解，称为染⾊体（chromosome）。种通过连续的迭代进⾏进化，每⼀次迭代操作产⽣⼀代（generation）。在每⼀代中⽤适应度函数（fitness function）或⽬标函数（objective function）对每个个体进⾏评价（evaluation），适应度值⾼的个体被选中的概率⾼。迭代过程的下⼀代称为⼦代（offspring），通过选择（selection）、交
宝宝辅食食谱
叉（crossover）、变异（mutation）等遗传算⼦产⽣⼦代。遗传算法有五个基本要素：编码和解码；种初始化⽅法；适应度函数；遗传算⼦（主要包括选择、交叉、变异等）；遗传参数设置（种规模、遗传算⼦的概率等）等.
遗传算法流程图
下图为基本遗传算法流程图
遗传算法步骤
假设P表⽰种规模，t表⽰当前代，P(t)和C(t)表⽰第t代的⽗代和⼦代，那么基本的遗传算法执⾏步骤如下。
巧妙绝伦的意思
步骤１按照⼀定的初始化⽅法产⽣初始种P(t)，ｔ=０。
步骤２评价种P(t)，计算每个个体的适应度值。
步骤３判断是否满⾜终⽌条件，如果满⾜则输出结果；否则转步骤４。
步骤４按照选择、交叉、变异等遗传算⼦产⽣⼦代C(t)。
步骤５P(t)＝C(t)，转步骤２，t=t+1。
遗传算法是⼀种通⽤的优化算法，其编码技术和遗传操作⽐较简单，优化过程不受限制性条件的约束，使它能够在复杂空间中进⾏全局优化搜索，并具有较强的鲁棒性。大岭山石洞森林公园
遗传算法 VS 传统优化⽅法
1. 遗传算法是对问题参数的编码即“染⾊体”进⾏操作，⽽⾮对参数本⾝进⾏操作的。进化过程中，只
是在评价个体适应度值时需要使
⽤问题的具体信息，⽽其他部分并不需要了解问题本⾝的信息，这使得遗传算法不受函数约束条件的限制（如连续或可微），设计简单且适应性⼴
2. 遗传算法的搜索过程是从问题的解的集合开始，⽽不是从单个解开始的，具有隐含并⾏搜索特性。可将搜索重点集中于性能⾼的部
分，从⽽可以提⾼搜索效率，并且减⼩了陷⼊局部极⼩的可能性，易得到全局最优解。
3. 遗传算法在问题解空间的整个搜索过程中是在概率指导下完成的、有⽅向的启发式搜索，与穷举或完全随机的搜索不同，因⽽具有较
⾼的效率。在初始阶段，等概率初始化保证了搜索点均匀地覆盖整个解空间；之后在适应度值的概率选择，以及交叉、变异等概率的指导下，搜索逐渐向适应度值⾼的区域集中，直到收敛到适应度值最⾼的区域为⽌。