python遗传算法的实现
1、遗传算法
编码 -> 创造染色体
个体 -> 种群
适应度函数
遗传算子
选择
交叉
变异运行参数
是否选择精英操作
种群大小
染色体长度
最大迭代次数
交叉概率
变异概率
个人理解的遗传算法，给定一个种群（元素），然后让这些元素相互组合，允许每次发生小的改变，并且，在适应度函数的选择下（相当于目标函数？），把与适应度相差比较远的淘汰，留下比较好的元素，不断组合，不断发生小的改变（变异），不断淘汰，从而获得满足适应度函数相近的最终元素。
可以看出，比较关键的是适应度函数的定义，以及元素与适应度函数的评估准则的定义。有了这些，淘汰，变异等都比较好办。
2、python实现
创建一个染色体的类，其中包括了两个变量：染色体chrom与适应度fitness。
之后就是初始染色体了，其中就牵扯到了各种用来初始化种群、计算适应度、找最优等函数，我在这里分出了两个文件，分别为Genetic.py和Fitness.py。
使用GitHub运行的结果：
这个图像的适应度函数是选出y值最大的，其中横坐标表示的是，500代每一代的y的最大值。
这个是，函数的曲线图。
如果要用遗传算法来实现，只需要修改适应度函数。
参考：