变异（mutation）：在有性生殖过程中，染色体的复制不一定会完全一样，在不可知 的条件下有很小的几率发生了染色体的异变，异变的结果是不定向且不可控的，异变的 遗传基因也会造成个体具有了与父体不一样的特性。

编码（coding）：使用一种规律或者语言对染色体上遗传信息进行编码，编码是对遗 传信息的另一种表现，遗传算法需要先对父个体进行编码，才能进行遗传操作。

解码（decoding）：与编码过程的相反，在最后完成遗传操作并获得最终所需的结果 时，将最终结果解码成子个体的形式，这样就获得了最优解。

遗传算法是从代表问题潜在解集的一个种群开始的，而一个种群则由经过基因编码 的一定数目的个体组成[16]。遗传算法采用自然进化模型，在选择、交叉、变异的遗传操 作下，对种群进行一代代地择优处理，并最终获得最优解。

图 2-1 遗传算法原理图

2。3 遗传算法的特点

在介绍遗传算法的特点之前，首先介绍一下传统的优化算法：即枚举法、启发式算 法和搜索算法[11]。

（1）枚举法：枚举法也被我们称为穷举法，主要方法是将所有与问题相关的解一 一列出，分别求出结果，以找到最优解。若碰到背包问题使用枚举法也是一种方法，但 是当碰到连续函数时，这种方法需要先对其进行离散化处理，然后再对离散后的情况一 一进行枚举。但在离散处理的过程中有可能使问题的最优解丢失，以至于无法找到最优 解。另外，如果需要枚举的可行解域较大时，枚举法的效率会变得特别低，甚至即使使 用先进的计算工具也难以求解。

（2）启发式解法：首先寻求一种能够产生可行解的启发式规则，以找到一个最优 解或近似解。算法的求解效率得到大幅度提高，但在面对不同的问题时，由于问题的启 发式规则千差万别，要想解决不同的问题就需要找出相对于的启发式规则，因为启发式 规则无法通用于不同问题，所以这种方法不适合用来对不同问题进行求解。

（3）搜索算法：首先对搜索空间内的一小部分进行搜索，以找到问题的最优解或 是近似最优解。使用该方法搜索的部分有可能不包含问题的最优解，所以有可能因此错 过了对最优解的搜索。但是如果先使用启发式解法的知识预先求得一个近似最优解，并 对近似最优解附近的子集进行搜索，就有可能获得寻找到最优解。

随着问题种类的不同以及问题规模的扩大，以上的算法已经难以满足我们能够快速 有效获得最优解的要求，这时我们需要寻求更加强大的算法。遗传算法正是一个符合这 样条件的算法之一，它拥有强大的搜索能力，以及能够解决不同优化问题的能力。遗传 算法主要有以下几个特点：

1．自主学习和适应的能力（智能性）。

2．遗传算法的本质并行性。

3．遗传算法不需要外界知识的引用和外界信息的介入，它只需要目标函数决定方 向的目标函数以及适应度函数对个体进行评价。

4．遗传算法强调概率转换规则，而不是确定的转换规则[10]。

5．遗传算法有可能得到的是很多潜在解，由使用者自行决定选择哪一个作为最终解。

2。4 遗传算法的基本操作

2。4。1 选择

选择是按照一定的选择方式确定即将进行交叉操作的个体，并且决定被选个体所产 生子个体的数量。

①首先计算适应度

②基于适应度对父代个体进行选择