遺傳演算法中的每一步都不可少嗎？

12-28

如題，遺傳演算法必須這麼麻煩嗎，只要讓適應度高的個體在後代中出現的概率高不就行了嗎，這樣只要讓適應度高的個體產生下一代的概率高就能保證了，需要這麼多步嗎。這是一個遺傳演算法的例子非常好的理解遺傳演算法的例子是這個例子太簡單沒能反映出更多的東西，或者設置這麼多步驟有更深的考慮？

遺傳演算法解決的是這類問題叫做優化問題。優化問題的一般形式為：有一組變數，有一個objective function（或者適應度），尋找這組變數的最優解，使得objective function的值最小（適應度最高）。對於遺傳演算法來說，每個個體對應一組變數取值。不管是進行變異還是交配操作，都是在這組變數空間里隨機取點，希望在採樣足夠多的情況下，出現適應度最高的個體。
遺傳演算法的最大問題在於它是一種啟發式演算法。對於啟發式演算法來說，不管你如何優化，或增加代數，沒有找到適應度最高個體（最優解）的保證。對於沒有更好解決方案的問題來說，使用遺傳演算法時，就需要加大採樣量，這樣漏掉最優解的可能就會變小。而加大採樣量無非就是增大每代裡面個體的個數和增加代數。
例外一點，你最開始找到的較優解（適應度高的個體），有可能和最優解（適應度最高的個體）相差很遠，如果只是在較優解附近尋找，而不繼續大範圍採樣的話，很有可能會漏掉最優解。

本質上：交叉是一種local search行為，變異是global search。

題主你好。
你理解的也是對了，「只要讓適應度高的個體在後代中出現的概率高不就行了嗎」，的確是這樣，我們是會儘可能的保留適應度高的值，然後以此為父代，繼續進化。
遺傳演算法中最主要的優化操作 (optimal operation)是：
1.交叉。
2.突變。
這也是遺傳演算法這個名字的由來。

對於這個例子 f(x)=x1^2+x2^2。
按照題主的思想，是正確的，因為它太簡單了，所以用不上這些複雜的步驟。
但是在處理大量的複雜的問題的時候，交叉和變異操作的好處就體現出來了。
i.e.,
比如這些的問題

對於一個複雜的問題來說，它或許存在多個局部最優解，和一個全局最優解。
例如：

圖中黑色的部分都是局部最優解，而只有藍色的圓圈才是全局最優解。

遺傳演算法中交叉和突變的作用，即使對決策變數X進行巨大的變形，使其能夠有機會隨意的找到全局最優解附近的解。
你可以把遺傳演算法理解為不知道任何條件的，隨意的算的。就像你考試不會做選擇題，隨機選擇ABDC一樣。不過遺傳算參考了達爾文生物進化的規律，將所謂了隨機進行了一定的優化。所以這種演算法在工程上的應用還是不錯的。（當然和具有先驗條件的演算法相比（如牛頓迭代，擬牛頓法），其迭代次數和花銷是十分巨大的。

遺傳演算法有著廣闊的前景，在遺傳演算法的基礎上，科研人員們又提出了進化演算法，蟻群演算法，免疫演算法，粒子群演算法等優化演算法。。。

簡單的回答了一下，拋磚引玉。

以上。

參考文獻:
[1] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multi-objective genetic algorithm: NSGA II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2):182-197.
[2] 公茂果, 焦李成, 楊咚咚,等. 進化多目標優化演算法研究[J]. 軟體學報, 2009, 20:271-289.

變異有助於勘探能力，交叉有助於開採能力

最近在玩遺傳演算法的人來強行回答一發：）其實呢，遺傳演算法算是進化演算法的一個小分支，而進化演算法裡面operation of evolution 至少包括遺傳變異以及 estimation of distribution 三種，然後進化演算法中的另一個小分支 rvolution of strategie 就是沒交叉只有變異噠。實際操作中，針對大量不同問題，各種operation 的使用要分情況看啊。。。。