遗传优化算法的基本流程（优化算法之手推遗传算法）
遗传优化算法的基本流程（优化算法之手推遗传算法）在初始化时，确定每一代的染色体数。 在这种情况下，染色体的数量是 5。因此，每个染色体有 5 个基因，在整个种群中总共有 25 个基因。 使用 0 到 9 之间的随机数生成基因。由于目标函数中有 5 个变量，因此染色体将由 5 个基因组成，如下所示。遗传算法有5个主要任务，直到找到最终的解决方案。它们如下。我们将使用以下等式作为遗传算法的示例。 它有 5 个变量和约束，其中 X1、X2、X3、X4 和 X5 是非负整数且小于 10（0、1、2、4、5、6、7、8、9）。 使用遗传算法，我们将尝试找到 X1、X2、X3、X4 和 X5 的最优解。将上面的方程转化为目标函数。 遗传算法将尝试最小化以下函数以获得 X1、X2、X3、X4 和 X5 的解决方案。
遗传算法可以做什么？遗传算法是元启发式算法之一。 它有与达尔文理论（1859 年发表）的自然演化相似的机制。 如果你问我什么是元启发式算法，我们最好谈谈启发式算法的区别。
启发式和元启发式都是优化的主要子领域，它们都是用迭代方法寻找一组解的过程。启发式算法是一种局部搜索方法，它只能处理特定的问题，不能用于广义问题。而元启发式是一个全局搜索解决方案，该方法可以用于一般性问题，但是遗传算法在许多问题中还是被视为黑盒。
那么，遗传算法能做什么呢?和其他优化算法一样，它会根据目标函数、约束条件和初始解给我们一组解。
最优局部解与最优全局解
遗传算法是如何工作的?遗传算法有5个主要任务，直到找到最终的解决方案。它们如下。
- 初始化
- 适应度函数计算
- 选择
- 交叉
- 突变
我们将使用以下等式作为遗传算法的示例。 它有 5 个变量和约束，其中 X1、X2、X3、X4 和 X5 是非负整数且小于 10（0、1、2、4、5、6、7、8、9）。 使用遗传算法，我们将尝试找到 X1、X2、X3、X4 和 X5 的最优解。
将上面的方程转化为目标函数。 遗传算法将尝试最小化以下函数以获得 X1、X2、X3、X4 和 X5 的解决方案。
由于目标函数中有 5 个变量，因此染色体将由 5 个基因组成，如下所示。
在初始化时，确定每一代的染色体数。 在这种情况下，染色体的数量是 5。因此，每个染色体有 5 个基因，在整个种群中总共有 25 个基因。 使用 0 到 9 之间的随机数生成基因。
在算法中：一条染色体由几个基因组成。 一组染色体称为种群
下图是第一代的染色体。
它也被称为评估。 在这一步中，评估先前初始化中的染色体。 对于上面示例，使用以下的计算方式。
这是第一代种群中的第一个染色体。
将 X1、X2、X3、X4 和 X5 代入目标函数，得到 53。
适应度函数是 1 除以误差，其中误差为 (1 f(x))。
下面公式中加 1 是为了避免零问题
这些步骤也适用于其他染色体。
轮盘赌法是遗传算法中的一种随机选择方法。 这就像赌场里的轮盘赌。 它有一个固定点，并且轮子旋转直到轮子上的一个区域到达固定点的前面。
在遗传算法的背景下，具有较高适应度值的染色体将更有可能在轮盘赌中被选中。
首先，计算 5 条染色体的总适应度值。
总计 = .
总计 = 0.0185 0.0400 0.0178 0.0181 0.0434
然后，计算每个染色体的概率。 下图是第一条染色体概率的样本计算（P1 = 0.1342）。
再次应用到所有的染色体：
计算概率后，对于轮盘赌方法，需要计算其累积概率。
计算累积概率后，要使用轮盘进行选择，需要生成5个随机数Uniform(0 1)，这些随机数决定了从选择中剔除哪条染色体。
产生5个数字因为我们有5条染色体
下图就是挑选和消除染色体的方法。首先，根据累积概率排列染色体，所选择的染色体由随机数决定如下:
选择后的新染色体如下所示。
在生物学中，交叉是指生殖的一个术语。两条染色体被随机选择并通过数学运算进行匹配。在本例中使用单点交叉。
单点交叉意味着两个亲本的基因被一个交叉线交换
下图包含使用Uniform(0 1)生成的随机数。选择用于交叉的染色体数量是由交叉率(Pc)控制的，其中最小值为0，最大值为1。例如确定Pc = 0.25，这意味着随机数目小于0.25的染色体将成为交叉中的亲本。
随机数对染色体。例如，R1对1号染色体，R2对2号染色体，以此类推
交叉的染色体是染色体1，染色体3和染色体5。这三条染色体的结合如下所示。
为了确定交叉线的位置，需要生成一个1到n之间的随机数，其中n是染色体- 1的长度。我们生成了1到4。
染色体1和染色体3之间的交叉(称为CO1)如下所示。
1号染色体和5号染色体之间的交叉(称为CO2)如下所示。
3号染色体和5号染色体(称为CO3)
1号染色体和2号染色体来自新的2号染色体和4号染色体。他们没有被选中进行交叉。而染色体3、4和5来自前代的交叉。
下图就是与“染色体选择后使用交叉的结果”进行的对比。
突变是我们赋予任何基因新的价值的过程。在本例中使用随机突变，突变基因的数量由突变率决定()。首先，计算一个种群中的基因数量。
基因总数 = 染色体 x 染色体中的基因数
接下来，发生突变的基因数量如下。
#突变的基因数 = 基因总数 x
因此，一个种群中的基因数量如下。
#genes = 5 x 6
#genes = 30
突变基因数(= 0.1)
#genes mutation = 30 x 0.1
#genes mutation = 3
所以需要生成从1到30的随机数。随机数的结果是7、19和23。它们是突变基因的位置。接下来，对于每一个被选中的基因，生成一个从0到9的随机数来替换旧的值。
这些突变后的新染色体是第二代
评估对突变后的染色体进行评估。
使用生成的新一代重复这个过程，就可以以获得X1、X2、X3、X4和X5的最佳解。经过几代后，得到的最佳染色体如下。
这个目标函数是有不同解的，所以我们这里只给出一个。如果需要添加限制条件，可以修改目标函数
代码下面的Jupyter Notebook是上面我们过程的代码实现：
https://gist.github.com/audhiaprilliant/f507d629a5322ca7f1ceaea027df0f6f
引用
[1] M. Fronita R. Gernowo V. Gunawan. 2017. Comparison of Genetic Algorithm and Hill Climbing for Shortest Path Optimization Mapping. The 2nd International Conference on Energy Environment and Information System (ICENIS 2017). August 15th — 16th 2017. Semarang (ID). pp: 1–5.
[2] N. Arfandi Faizah. 2013. Implementation of genetic algorithm for student placement process of community development program in Universitas Gadjah Mada. Journal of Computer Science and Information. 6(2): 70–75.
[3] T. Suratno N. Rarasati Z. Gusmanely. 2019. Optimization of genetic algorithm for implementation designing and modelling in academic scheduling. Eksakta: Berkala Ilmiah Bidang MIPA. 20(1): 17–24.
作者：Audhi Aprilliant
