亲，这就是遗传算法

本文试图通过几幅简明的图来介绍遗传算法。

背景

当一些问题不存在确定性的最优解法，或者说最优解法的施展时间长的1-B，那我们就得开始考虑点其他路子了。

比如说旅行商问题：

旅行商要去很多城市卖货，为了节省时间，它一个城市只去一次，最后还得返回原城市，因为他老婆不允许他离开太久。
它怎么走比较合算？

城市的分布可能会像下面这样：
这里写图片描述

旅行商会想就是把所有城市路线做个排列（一半），然后看看哪条路线最短就按哪条路线来。

好吧，如果旅行商要去的城市只有3-5个还好说，如果旅行商生意太好，可能要去几十个城市，那这个方法行不通。

为什么呢？

O(1)<O(logN)<O(N)<O(N2)<O(N!)

如果你熟悉时间复杂度，一定明白我在说什么，不信，自己试试34的阶乘算出来是个什么，亲，如果钱包有那么多钱那该多好。

好在，达尔文总结出了自然界的一个不知确否的道理，就是生物通过优胜劣汰的自然选择过程，来完成进化。

这个过程，看起来像是一堆随机不确定的微小变化中，让确定而显著的优势变化延续下来。

谁强，谁就更有话语权，资源就该属于这种强强的亲，而弱弱的主因为无法抗拒灾难和考验，最终就被淹没在进化的过程中。

遗传算法

既然生命都可以进化，现存的生物都是摸爬滚打、出生入死过来的，那么解决点计算问题还有什么复杂的。

于是，我们想着用可以量化的数学的方式去表达这种进化过程，然后让计算机来模拟自然选择和种群的演化，看看会有什么样的优质个体（解）出现。

也许不能得到一个最优的解，但旅行商恐怕不得不接受一个差不多的解：
这里写图片描述

好吧，那我们来认识一下所谓的遗传算法（genetic algorithms）。

遗传算法，是一种进化算法，进化大家都明白。
那么生命的变化在于基因的变化，什么是基因呢，我们不关注真正的生物基因，毕竟这里不是讨论生殖问题：
这里写图片描述

如果把基因(gene)当做一个经过编码的元素，用一个数组或者列表来存储一组基因，这组基因就是染色体（chromosome）。

    /**
     * 基因
     */
    private class Gene {
        /**
         * 编码
         */
        int value;
        /**
         * 等位基因（编码的值）
         */
        Integer Allele;
    }

    public interface IChromosome {
        public Genes[];
    }