最近稍微學習一下智慧演算法的設計，就滿Internet搜尋，最終發現遺傳演算法是大家學習最多的，也是在各個領域內進行函式優化，解析解求解過程中很重要的一種方法！

學習遺傳演算法，首先為了上手較快，我推薦大家先使用Matlab，這個工具進行矩陣分析有應用，真的很管用，而且上手特別快！

      http://baike.soso.com/v100038.htm  這個網頁上面有很詳細的關於遺傳只能演算法的講解，內容很詳細，是我們學習的好幫手！希望對這個演算法不是很熟悉的同學，要好好了解一下這個背景！

     個人理解：其實簡單的來說，就是使用一個種有效的編碼方式，將有效空間中的解集，按照編碼方式排布，在代價函式的作用下，不斷的有目的的迭代，去尋找最後解，當然這是把這個問題給簡化好多！這幾其中自然包括如何去選擇，如何去進化，如何避免區域性最優解，對於種群進化來說應該如何避免種群的進化速度，如何去交叉！如何尋找到一個比較好的代價函式！

    簡單的一元函式的優化：

     y = sin(10*pi*x)/x      1<=x<=2 

     引數的設定：

              種群大小：40

              最大遺傳代數：20

              個體長度：20

              代溝：0.95

              交叉遺傳：0.7

              變異概率：0.01

lb=1;ub=2;
ezplot('sin(10*pi*X)/X',[lb,ub]);
xlabel('自變數/X')
ylabel('函式值/y')

建立一個初始的種群，並用十進位制數進行標示，便於計算

trace = zeros(2,MAXGEN);
FieldD = [PRECI;lb;ub;1;0;1;1];
Chrom = crtbp(NIND,PRECI);
gen = 0;
X = bs2rv(Chrom,FieldD);

ObjV = sin(10*pi*X)./X;

下面是主要的迭代過程：

while gen < MAXGEN
    FitnV = ranking(ObjV);
    Selch = select('sus',Chrom,FitnV,GGAP);
    Selch = recombin('xovsp',Selch,px);
    Selch = mut(Selch,pm);
    X = bs2rv(Selch,FieldD);
    ObjvSel = sin(10*pi*X)./X;
    [Chrom,ObjV] = reins(Chrom,Selch,1,1,ObjV,ObjvSel);
    X = bs2rv(Chrom,FieldD);
    gen = gen + 1;
    
    [Y,I] = min(ObjV);
    trace(1,gen) = X(I);
    trace(2,gen) = Y;
end