8、机器学习
要使机器运作更加人工智能化，基于遗传算法的机器学习是必不可少的。特别是遗传算法的分类器系统。在遗传算法的辅助下，机器用于学习模糊控制规则，使得机器能够学习到相同的指令下做出不同的反应。
2    遗传算法的基本原理
遗传算法是一种基本的随机搜索算法，它基于生物学的自然选择与遗传机理。 遗传算法从一组随机抽取的样本开始，这些个体的集合称为“种群（population）”。种群中的个体是求解问题的一个解，这些解也被我们称为染色体（chromosome）。染色体是一串信息符号，它可以是一串二进制的字符信息串。染色体在迭代的过程中会发生遗传操作而不断的进化，我们所说的遗传指的就是这些迭代进化的过程。通过函数判断出种群中个体的适应值（fitness），适应值指的是个体在种群中的适应程度，同时适应值也作为衡量染色体质量的一个依据。下一代生成的染色体称为后代（offspring），后代个体是遗传操作交叉（crossover）或变异（mutation）的作用下产生的。在全新的染色体形成的过程中，根据适应度来淘汰一些后代另外选择一些后代。从而保持种群大小是常数。适应度高的染色体会被算法优先选择。这样不断迭代后，该问题的最优解或次优解就可能是算法中收敛得到的最好的染色体。
 
图 2.1 遗传算法的基本流程图
在用遗传算法处理一个问题时，首先要确定该问题的实际参数集。参数集的确定会对解产生一定的影响，所以要保证参数集不能偏离出问题所要求解的范围。接下来对确定后的参数集进行编码，也就是把实际问题的解用遗传算法的个体基因“染色体”来表示，染色体所用的就是二进制位串，每一位都可以称为一个基因片段；如果直接生成二进制初始种群，则不必有编码过程，但要求解码时将染色体解码到问题可行域内。
在编码完毕后，对种群要做的下一步工作是对种群群体进行初始化，这一步骤主要是设定好遗传算法的主要参数，例如迭代次数，最大进化数，随机生成的个体数等等。在对种群进行过初始化后则开始计算个体的适应度，这一过程也称为评价群体。评价群体也包括几个步骤：确定位串解码的参数、计算目标的适应度函数值、函数值向适应值映射、进行适应值调整。经过这几个步骤后，种群的适应度会经过评价而进入到遗传算法的主要操作中。
遗传操作主要包括选择、交叉、变异三个主要步骤。其中选择主要是挑选出群体中合适的个体来进行变异或交叉，在这个过程中会不断的产生新的个体，这些新的个体中会出现全新的基因型。在不断的迭代后，如果满足遗传算法的停止规则，那么整个算法结束，如果不满足，依旧进入遗传算法并且循环。
2.1    选择
在种群中把优质的个体选出继续参与迭代，并且淘汰掉不合适的个体的操作过程叫做选择。选择算子有时又称为再生算子(reproduction operator)。进行选择的目的是为了把优秀的个体的基因直接遗传到下一代个体中。无法直接遗传的则通过其他遗传操作产生新个体再遗传。选择操作的基础是群体的适应度，在适应度算出的情况下进行选择，目前有以下几种选择算法经常使用：适应度比例方法、局部选择法、随机遍历抽样法。
轮盘赌选择法（roulette wheel selection）是很多实际问题中常用的一种选择方法。在轮盘赌选择法中，个体的选择概率会与本身的适应度大小成比例。设群体大小为n，其中个体i的适应度为 k ，则个体 i 被选择的概率 p，为遗传算法中个体的适应度。 遗传算法的研究+文献综述(5):http://www.youerw.com/jisuanji/lunwen_12533.html