如何學習python遺傳演算法？

單獨的數字大家可以直觀看到理解，但是如果兩個數字之間連線運算，那它就不是單獨的數字，而是一個獨立的組合，那大家還會理解是什麼意思嗎？相信很多人如果第一次看到，那肯定不理解，就跟我們程式設計時候，每個算數之間都有著各種各種的運算子號，讓他們的意義不同，因此，系統的學習是非常重要的，一起來看下如何學習好遺傳演算法。

1. 遺傳演算法主要流程

 2. 遺傳演算法理論基礎

l 模式（Schema）:模式指有相同特徵的子集，比如二進位制字串11***（*為萬用字元）可以代表八個個體(2x2x2)。

l 階（Order）：模式中確定位置的個數成為階，比如1110*的階為1

l 定義距（Defining Length）：模式中第一個確定位置和最後一個確定位置之間的距離成為定義距

3. 遺傳演算法與傳統演算法的區別

l 遺傳演算法中的種群中始終維持一定數量的個體（每個個體都是問題的解），而傳統演算法中每次迭代都一般只保留最優解。

l 遺傳演算法用個體/基因型來代表問題的解，而傳統演算法的解一般都更直觀。

l 遺傳算透過計算適應度來計算最優解，而傳統演算法一般透過導數或梯度來計算最優解。

l 遺傳算由機率驅動，比如雜交機率、突變機率等，而傳統演算法一般都是有確定性的。PS：因為遺傳演算法的每一次迭代就朝著最優解的方向前進，即便遺傳演算法的過程有不確定性，但遺傳演算法最終的最優解一般都是確定的。

4. 什麼情景使用遺傳演算法

l 當遇到以下型別的問題時，可以嘗試遺傳演算法：

l 當問題的數學表達過於複雜或很難用數學表達時：遺傳演算法只需要定義個體、種群，選擇、雜交、突變方法和適應度方程就可以求最優解。

l 當資料含較多噪音時：遺傳演算法受資料中異常值的影響較小。

l 當外部環境在不斷變化時：遺傳演算法的種群始終保有一定數量的個體（解），因此遺傳演算法可以適應資料的改變，並針對新的環境產生新的最優解。

相信大家在瀏覽過系統的學習遺傳演算法各個階段的內容，逐一去攻破，會比較容易好上手遺傳演算法的哦~如果大家對這個演算法感興趣的話，可以多瀏覽幾遍以上內容，就可以瞭解怎麼開始學習遺傳演算法啦~