遗传算法（Genetic Algorithm, GA）是一类借鉴达尔文生物进化论思想的智能优化算法，其核心在于模拟自然界中 "物竞天择、适者生存" 的遗传与进化机制。在算法中，待求解问题的每个潜在解被抽象为 "个体"（或 "染色体"），解的关键参数则对应染色体上的 "基因"。通过模拟生物进化中的选择、交叉和变异过程，算法不断迭代优化种群，最终筛选出逼近最优解的个体。
一、遗传算法核心实现（属性约简场景）
以下为基于 MATLAB 的遗传算法用于属性约简的核心代码，通过二进制编码表示特征子集（1 表示选中该特征，0 表示剔除），实现对最优特征组合的搜索：
matlab
function [overtime,red,year] = Cal_GA(data,parameter,threshold,length_threshold)
%CAL_INHERIT 遗传算法求属性约简
% 输入：data（数据集，含特征与标签）、parameter（适应度函数参数）、
% threshold（收敛阈值）、length_threshold（特征选择比例阈值）
% 输出：overtime（运行时间）、red（最优特征子集）、year（迭代次数）
% 记录时间
start=tic;
[~,n]=size(data);
% 初始种群数量
pop_size=xxx;
% 最大迭代次数（繁衍上限）
pop_limit=xxx;
% 种群基因编码长度（最后一列为标签，故特征数为n-1）
Length=n-1;
% 交叉概率（平衡全局与局部搜索）
pc=xxx;
% 变异概率（维持种群多样性）
pm=xxx;
% 生成初始种群（确保特征选择数量不低于阈值）
pop=zeros(pop_size,Length);
tmp_length=length_threshold*Length;
for i=1:pop_size
while sum(pop(i,:),2)<tmp_length
t_index=ceil(rand*Length);
pop(i,t_index)=1;
end
end
% 计算初始适应度（以全特征子集为基准）
rawpos=fitness(data,ones(1,n-1),parameter);
year=0;
for i=1:size(pop,1)
pop_quality(i,1)=fitness(data,pop(i,:),parameter);
end
% 迭代优化主循环
tmppos=-1000; % 初始最优适应度
while (tmppos<threshold*rawpos)&&(year<pop_limit)
%% 基因选择：保留优质个体
[pop]=selection(pop,pop_quality);
%% 基因交叉：重组基因片段
[pop]=crossover(pop,pc);
%% 基因变异：引入随机变化
[pop]=mutation(pop,pm);
%% 评估新种群适应度
for i=1:size(pop,1)
pop_quality(i,1)=fitness(data,pop(i,:),parameter);
end
[tmppos,index]=max(pop_quality); % 记录当前最优适应度及对应个体
red=pop(index,:);
year=year+1;
end
overtime=toc(start);
end二、关键参数设置指南
遗传算法的性能高度依赖参数配置，以下为经过实践验证的参数范围及调整原则：
| 参数名称 | 符号 | 推荐范围 | 调整逻辑 |
|---|---|---|---|
| 种群大小 | pop_size | 20~200 | 特征维度高时取 100 |
| 迭代次数 | pop_limit | 50~500 | 问题复杂度高时增加（如 500），简单场景可减少（如 50） |
| 交叉概率 | pc | 0.6~0.9 | 高概率（如 0.9）促进全局探索，低概率（如 0.6）侧重局部精细化搜索 |
| 变异概率 | pm | 0.01~0.1 | 过低易导致 "早熟收敛"（种群多样性不足），过高则破坏优质基因结构 |
三、核心操作解析
遗传算法的迭代优化通过选择、交叉、变异三大操作实现，三者协同维持种群多样性与进化方向：
- 选择操作：优胜劣汰，保留优质基因
选择的核心是让适应度高的个体更易被保留为父代。代码中采用 "轮盘赌选择法"，个体被选中的概率与其适应度成正比，同时引入 "精英保留" 策略（将最优个体直接复制到下一代，避免优质基因丢失）。
matlab
function newpop = selection(pop, pop_quality)
[m, ~] = size(pop);
% 处理负适应度（确保概率非负）
min_fit = min(pop_quality);
if min_fit < 0
pop_quality = pop_quality - min_fit + eps;
end
% 计算累积概率并进行轮盘赌选择
total_fit = sum(pop_quality);
if total_fit == 0
indices = randperm(m); % 适应度为0时随机选择
newpop = pop(indices, :);
return;
end
cum_probs = cumsum(pop_quality) / total_fit;
rand_vals = rand(m, 1);
newpop = zeros(size(pop));
for i = 1:m
idx = find(cum_probs >= rand_vals(i), 1, 'first');
newpop(i, :) = pop(idx, :);
end
% 精英保留：用最优个体替换最差个体
[~, best_idx] = max(pop_quality);
[~, worst_idx] = min(pop_quality);
newpop(worst_idx, :) = pop(best_idx, :);
end-
交叉操作：基因重组，产生新个体
交叉模拟生物繁殖中的基因重组，通过交换两个父代个体的部分基因片段生成子代。代码中采用 "单点交叉"：随机选择一个交叉点，交换该点两侧的基因序列。
matlabfunction [pop] = crossover(pop, pc) [m, n] = size(pop); newpop = zeros(size(pop)); for i = 1:2:m-1 if rand < pc % 以概率pc触发交叉 cpoint = randi(n-1); % 随机选择交叉点 newpop(i,:) = [pop(i, 1:cpoint), pop(i+1, cpoint+1:n)]; newpop(i+1,:) = [pop(i+1, 1:cpoint), pop(i, cpoint+1:n)]; else newpop(i,:) = pop(i,:); newpop(i+1,:) = pop(i+1,:); end end if mod(m, 2) == 1 % 处理奇数种群 newpop(m,:) = pop(m,:); end end -
变异操作：随机突变，维持种群多样性
变异通过随机翻转个体的某个基因（0→1 或 1→0）引入新的基因组合，避免种群陷入局部最优。变异概率通常较低，以平衡 "探索新解" 与 "保留优质解"。
matlab
function [newpop] = mutation(pop, pm)
[m, n] = size(pop);
newpop = pop;
for i = 1:m
if rand < pm % 以概率pm触发变异
index = ceil(rand * n); % 随机选择变异位置
newpop(i, index) = ~pop(i, index); % 二进制位翻转
end
end
end总结：遗传算法的核心价值
遗传算法通过模拟自然进化过程，无需依赖问题的数学特性（如连续性、可导性），即可高效搜索复杂解空间，尤其适用于属性约简、路径规划、参数优化等传统方法难以解决的问题。其关键在于合理配置参数（种群大小、交叉 / 变异概率等）及设计适配问题场景的适应度函数，以平衡搜索效率与解的质量。通过选择、交叉、变异的协同作用，算法能够在迭代中不断逼近最优解，展现出强大的全局优化能力。