本文主要是介绍遗传算法简略，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1.遗传算法起什么作用
遗传算法致力于寻求全局最优解，而不停滞于局部最优解，假使是用来寻找最大值，那么：
遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。
假设把多向搜索中随机选择下一个点比喻成袋鼠跳动，那么遗传算法可以形象描述为：
从前，有一大群袋鼠，它们被莫名其妙的零散地遗弃于喜马拉雅山脉。于是只好在那里艰苦的生活。海拔 低的地方弥漫着一种无色无味的毒气，海拔越高毒气越稀薄。可是可怜的袋鼠们对此全然不觉，还是习惯于活蹦乱跳。于是，不断有袋鼠死于海拔较低的地方，而越是在海拔高的袋鼠越是能活得更久，也越有机会生儿育女。就这样经过许多年，这些袋鼠们竟然都不自觉地聚拢到了一个个的山峰上，可是在所有的袋鼠中，只有聚 拢到珠穆朗玛峰的袋鼠被带回了美丽的澳洲。
1.寻找一种对问题潜在解进行“数字化”编码的方案
（建立表现型和基因型的映射关系）
2.用随机数初始化一个种群，种群里面的个体就是这些数字化的编码
（那么第一批袋鼠就被随意地分散在山脉上）
3.通过适当的解码过程之后，用适应性函数对每一个基因个体作一次适应度评估。
（得到袋鼠的位置坐标；袋鼠爬得越高，越是受我们的喜爱，所以适应度相应越高）
4.用选择函数按照某种规定（适应度）择优选择
（我们要每隔一段时间，在山上射杀一些所在海拔较低的袋鼠，以保证袋鼠总体数目持平）
5.让个体基因交叉变异,然后产生子 代。
（让袋鼠随机地跳一跳，希望存活下来的袋鼠是多产的，并在那里生儿育女）
遗传算法并不保证你能获得问题的最优解，但是使用遗传算法的最大优点在于你不必去了解和操心如何去“找”最优解，而只要简单的“否定”一些表现不好的个体就行了。以后你会慢慢理解这句话，这是遗传算法的精粹！
（你不必去指导袋鼠向那边跳，跳多远，只要把那些总是爱走下坡路的袋鼠射杀。）
遗传算法的一般步骤：
开始循环直至找到满意的解。
1.评估每条染色体所对应个体的适应度。
2.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。
3.抽取父母双方的染色体，进行交叉，产生子代。
4.对子代的染色体进行变异。
5.重复2，3，4步骤，直到新种群的产生。
结束循环。
遗传算法引擎：
遗传算法引擎――GenAlg
来源：
http://blog.csdn.net/emiyasstar__/article/details/6938608
这篇关于遗传算法简略的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
