遗传算法

Genetic algorithm

常被用于特征选择工具，选择合适的权重参数等。

1. 具有寻找全局最优解的功能
2. 适合离散的搜索空间
3. 高效的搜索策略

遗传算法有以下几个步骤

1. Selection
2. Crossover
3. Mutation

初始种群包括一系列的特征，每个个体都是随机选取的固定长度的特征(genotype)对应不同的penotype, 通过适应度函数来衡量每个个体的表现，适应度函数可以是距离倒数的平方，得分数，神经网络等等，根据不同的问题选择合适的适应度函数来解决要达成的目标。

有更好的适应度的个体越有可能被选择成为下一个的母体，即其genotype更有可能被保留传递下去。

位于选择池中的可通过轮盘赌法或者蒙特卡洛算法等进行选择，选择的个体其genotype交叉形成新的子代的genotype，子代的genotype将通过随机变异引入新的可能变量(genotype), 扩大要搜索的空间范围，可防止陷入局部最优解

如此反复，直到满足设定的判决条件，每一次的循环即为一代。

遗传算法的关键

1. 寻找合适的可以将可能solution编码为genotype的方式。
2. 合适的适应度函数，不同的fitness function对于训练的速度，迭代次数，是否收敛等有较大影响