遗传算法

遗传算法模仿生物进化来解决问题。比如说设计一根超高效天线，GA不会只依赖一位专家，而是先创造出几百个随机方案，通过数字化测试筛选出表现最好的，再把它们的优点'杂交'组合起来。偶尔还会加入一点随机'突变'来激发新思路。经过成千上万代的迭代，就能进化出人类可能根本想不到的优质方案。

试试这样：想想你做过的一道复杂菜肴，怎么用'测试→挑选→组合→微调'的思路来优化它的配方？

遗传算法通过迭代过程让一群潜在解不断进化，最终逼近最优解，特别适合那些没有明确公式可循的复杂问题。整个过程从一个大型随机候选解群体开始。

每个候选方案都会被评估并赋予一个'适应度'分数，分数高低取决于它解决问题的效果。比如，一个配送路线的候选方案会根据总距离和耗时来打分。

接下来，适应度最高的个体会被选为下一代的'父母'。通过'交叉'操作把它们的特征结合起来产生后代，同时加入微小的随机'突变'来保持多样性。

评估、选择、交叉、变异这个循环会重复数百甚至数千代。随着时间推移，较弱的方案逐渐被淘汰，优秀的方案不断繁衍，整个群体的适应度持续提升。

这种方法应用非常广泛。金融机构可以通过历史数据测试来进化交易策略，工程师也能优化喷气发动机涡轮的设计，使其效率达到最高。

实际意义在于，遗传算法能发现创新且非显而易见的解决方案。它擅长在拥有大量交互变量的广阔'解空间'中导航，因此成为从物流到药物研发等领域的强大工具。

遗传算法（GAs）是一类进化算法，利用自然选择原理作为复杂优化问题的启发式搜索方法。在广阔或尚未充分理解的问题空间中，传统方法可能失效，而GAs表现出色。它平衡了解空间的探索（寻找新方案）与利用（优化已知优质方案）。

• 基础理论由约翰·霍兰德建立，他引入了模式（schemata）等概念，解释GAs如何处理和组合有用的局部解（即'构建模块'）以形成更完整的优质解。[1]（1992年）
• 现代框架强调探索与利用的平衡。GAs维持一个解的群体，通过交叉操作利用优质解的相似性，通过变异操作探索搜索空间的新区域，从而防止过早收敛。[2]（2015年）
• 关键创新包括多目标遗传算法，如NSGA-II，能同时优化多个常常相互冲突的目标（例如，在最大化性能的同时最小化成本），这是解决实际工程问题的重要特性。[3]（2002年）
• 近期综述显示，GAs正在持续发展，其应用已扩展到深度学习模型的超参数调优、药物发现和自动化系统设计等领域，并常与其他AI技术结合使用。[4]（2021年）
• “没有免费午餐”定理表明，包括GAs在内的任何单一优化算法都不可能对所有问题都是最优的。这凸显了将算法的算子与参数与所解决问题的具体结构相匹配的重要性。[5]（1997年）

尽管功能强大，遗传算法也有局限性。其性能对参数选择高度敏感，如群体规模、变异率和交叉策略，这些通常需要大量调参。设计不当的'适应度函数'可能导致算法优化错误的目标。此外，它们可能遭遇'过早收敛'，即群体过快失去多样性，陷入次优解。最后，对于非常复杂的问题，GAs计算成本高昂，需要大量时间和资源来评估多代解。