轮盘赌算法
/*
* 按设定的概率，随机选中一个个体
* P[i]表示第i个个体被选中的概率
*/
int RWS()
{
m = 0;
r =Random(0,1); //r为0至1的随机数
for(i=1;i<=N; i++)
{
/* 产生的随机数在m~m+P[i]间则认为选中了i
* 因此i被选中的概率是P[i]
*/
m = m + P[i];
if(r<=m) return i;
}
}
交叉(Crossover)：2条染色体交换部分基因，来构造下一代的2条新的染色体。例如：
交叉前：
00000|011100000000|10000
11100|000001111110|00101
交叉后：
00000|000001111110|10000
11100|011100000000|00101
染色体交叉是以一定的概率发生的，这个概率记为Pc 。
变异(Mutation)：在繁殖过程，新产生的染色体中的基因会以一定的概率出错，称为变异。变异发生的概率记为Pm 。例如：
变异前：
000001110000000010000
变异后：
000001110000100010000
适应度函数 ( Fitness Function )：用于评价某个染色体的适应度，用f(x)表示。有时需要区分染色体的适应度函数与问题的目标函数。例如：0-1背包问题的目标函数是所取得物品价值，但将物品价值作为染色体的适应度函数可能并不一定适合。适应度函数与目标函数是正相关的，可对目标函数作一些变形来得到适应度函数。
 2.3遗传算法的数学基础
一个简单的遗传算法有以下三个步骤：
选择（selection），交叉（crossover）和变异(mutation)。
在时间ti创建测量的响应r(ti)，考虑r(ti)的早期采样，散射中心的脉冲响应振幅{amn}可通过以下公式最小化残余量residual建立：
其中ϵ代表响应能量。
通过公式（1）计算出时刻Tm，并通过最小二乘法确定振幅amn。然后重建第m个散射中心的传递函数。在标准的遗传算法实现中，只有一个函数最大化被定义。
因此，为了最小化公式（1），我们必须最大化一个合适的适应度fitness，定义如下：
其中F(Tm)>0。
常数C由用户给定，并可以更新以使max[F(Tm)] 趋于零。
重复三个步骤即可得到最大化的F(Tm)：选择，交叉和变异。遗传算法通常将参数编码为二进制字符串，并模拟自然选择对字符串进行交叉和变异。在[Tmmin, Tmmax]范围内定义一个Tm，并按以下规则编码：
其中L代表字符串长度，bm,l表示b进制。然后将所有字符串连接，得到一个长度为ML的字符串B，字符串B包括了所有变量。其中，M是散射中心数量。
有很多方案可对其进行优化选择,方案之一为“不重复的随机采样”，从M个里面随机挑选出K个字符串用以入池（种群）。

其中，T包括T1， T2 , … , TM, Pk是第k位字符串被选中的概率，Bk  是所有字符串变量连接而成的一个字符串，ek是成员期望。通过自然选择，我们将Bk  副本ek的整数部分加入种群，并根据概率在{ Bk }中随机选择，并加入表单。
其中(ek )指ek 的整数部分。
种群被加满后，选取其中K /2对的字符串。一般的遗传算法都有一个交配概率P（又称为交叉概率），（由用户指定，P, = 0.5 to 0.6），交配点随机选择，并在此间交配父母的染色体相互交换，种群完成繁殖后，Bk  中的一个字节以Pm的变异概率完成变异，变异概率Pm的大小由用户决定，但通常遵循以下公式：
经过这一系列的过程（选择、交配和突变），产生的新一代个体不同于初始的一代，并一代一代向增加整体适应度的方向发展，因为最好的个体总是更多的被选择去产生下一代，而适应度低的个体逐渐被淘汰掉。这样的过程不断的重复：每个个体被评价，计算出适应度，两个个体交配，然后突变，产生第三代。周而复始，直到终止条件满足为止。 基于遗传算法的高分辩率雷达目标识别方法(3):http://www.youerw.com/tongxin/lunwen_9357.html