遗传算法的基本原理 遗传算法通常的bai实现方式du，就是用程序来模拟生物zhi种群进化的过程。对dao于一个求回最优解的问题，我们可以把答一定数量的候选解（称为个体）抽象地表示为染色体，使种群向更好的解来进化。大家知道，使用算法解决问题的时候，解通常都是用数据或者字符串等表示的，而这个数据或字符串对应到生物中就是某个个体的“染色体”。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中评价其在整个种群的适应度，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的种群，该种群在算法的下一次迭代中成为当前种群。其具体的计算步骤如下：编码：将问题空间转换为遗传空间；生成初始种群：随机生成P个染色体；种群适应度计算：按照确定的适应度函数，计算各个染色体的适应度；选择：根据染色体适应度，按照选择算子进行染色体的选择；交叉：按照交叉概率对被选择的染色体进行交叉操作，形成下一代种群；突变：按照突变概率对下一代种群中的个体进行突变操作；返回第3步继续迭代，直到满足终止条件。
用遗传算法求极值和求最大值在计算时哪里的步骤不一样？ 导数为零的点都2113是极值点，其中最大5261的点就是最大值点。遗传算4102法不用在算法中特意区分极值点1653和最大值点。只有在求解多目标优化问题时涉及到非劣解的概念，这时求出的非劣解边缘就是极值点（相对最优点）。否则的话遗传算法最忌讳的就是陷入局部最优点（就是极值点），所以大家都尽量避免算法收敛于局部极值点，没有人特意去求所有的极值点的。
MATLAB遗传算法，明明之前是可以运行求出结果的，今天运行却不行了 迭代次数超过的最大的迭代次数。遗传算法本身就是不稳定的，所以有时可以有时不行。建议1）结合实际问题，把无约束的ga改成带有约束的，然后再去迭代。或者调整遗传代数。2）修改适应度函数fitness四层循环，matlab本身就不善于干这个的，尽量把元素运算改成矩阵运算3）变量64个有点多，可以考虑减少一些变量，否则运行太慢了。
