作者：未知作者 笔记数：19 条
并行随机搜索最优化方法。
复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程
而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种
交换体现了自然界中信息交换的思想
变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。
若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量
遗传算法是对参数的编码进行操作，而非对参数本身
遗传算法同时使用多个搜索点的搜索信息
遗传算法从由很多个体组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索，这是遗传算法所特有的一种隐含并行性，因此遗传算法的搜索效率较高。
遗传算法直接以目标函数作为搜索信息
遗传算法使用概率搜索技术
理论已经证明，遗传算法在一定条件下以概率1收敛于问题的最优解。
遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。
遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，也不要求函数可微，既可以是数学解析式所表示的显函数，又可以是映射矩阵甚至是神经网络的隐函数，因而应用范围较广。
遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度，适合大规模复杂问题的优化。
模式定理
基本遗传算法使用固定长度的二进制符号来表示群体中的个体
目标函数值到个体适应度之间的转换规则
① 选择运算使用比例选择算子；② 交叉运算使用单点交叉算子；③ 变异运算使用基本位变异算子或均匀变异算子。