基因演算法

A. 基因遺傳演演算法是個啥求詳解

基因遺傳演演算法主要理論就是優勝劣汰的進化論。
它的主要精神是透過每次迭代都能比上次更進步，逐步演化，表現出針對一個目標函數尋求最佳解的過程。但是因為是隨機搜索，所以雖然基因演演算法設置如交配、突變等來避免，卻仍可能會陷入區域最佳解；也有可能最後得到的不是最佳解，只是在結束條件之前找到的最好的解。

基本的基因演演算法流程：
1.初始化族群：假定這個族群中有4條染色體，每條染色體有5個基因。

基因 -從目標函數的角度來看，就是自變數。
例如：用基因演演算法解目標函數 f(X,Y,Z)=2X+3Y-Z，
限制式為「X,Y,Z＝{1,0}」※，
求目標函數的最大值。
此題目對應到染色體的概念，就有3個基因，
三個基因分別代表X、Y、Z三個自變數的值。
染色體 -單一組解
例如：有很多符合目標函數限制式的（X,Y,Z），
其中一組是（x1,y1,z1）=（1,0,0），
函數值 f(x1,y1,z1)為2*1+3*0-0=2。
此例中，這組解當然不是最佳解，但它是這個題目的一個可行解。
*想像我們用直覺解題，拿張計算紙，把所有可行解都列出來，
然後比較所有我們想得到的可行解，最後可以得
到最佳的一組(X,Y,Z)，因為它的f(X,Y,Z)為最大值。
族群 -多組解的集合
例如：族群中有四條染色體，這四條染色體就是四組可行解。

2.設定交配率和突變率：假定交配率a為0.6，突變率b為0.1。

交配率 -每個世代中，族群內有多少比率的染色體會互相交配。
突變率 -每個世代中，族群內的染色體有多少機率會突變。

3.迭代世代。
For iter=10 -假定做十次優勝劣汰。
3.1. 天擇：在這個世代中，根據每條染色體的權重，隨機選擇母代來產生後代，
用以做下一個運算。
通常使用輪盤法來作天擇，也就是說，
如果染色體甲的解是這個族群中最好的，
那麼甲的權重就是最高的。反之則是最低的。
*輪盤法：假定這次族群為「[1,1,1],[0,1,1],[1,0,1],[1,0,0]」，
四條染色體的適應值分別是「4，2，1，2」，
適應值總和為4+2+1+2=9，
則四條染色體被選到的機會為「4/9，2/9，1/9，2/9」
＝「0.4，0.2，0.1，0.2」。這個機會就是權重。
為了不讓每次選擇都選到同一條染色體，所以只是
「有比較高的機會」選擇到「有更好適應值的染色體」，
而不是一定會選擇這個好適應值的染色體。

3.2. 交配：母代產生後，依照交配率a，隨機選擇染色體來作交配。
比較交配前的子代1和交配後的子代2，在8條染色體中，
選擇適應值最好的4條染色體留下來。
最簡單的交配方式就是交換兩條染色體的某個基因。
*例如，染色體S=[0,1,0]，染色體Q=[1,1,1]，交配位於首位的基因，
則可以得到新的兩條染色體S'=[1,1,0]、Q'=[0,1,1]。

3.3. 突變：交配完後，依照突變率b，決定這一個世代要不要突變。
假設要突變，則若突變後子代3的適應值比突變前子代2好，就用子代3取代子代2。
最簡單的突變方式就是隨機選擇某條染色體的某個基因，改變它。
*例如，隨機選中染色體M=[1,0,1]，隨機突變中間的基因，
得到新染色體M'=[1,1,1] 。

3.4. 更新：最後得到的族群中，所有染色體的適應值。
END For

4. 比較所有染色體的適應值，列出最好的那一個染色體為演演算法最後的解。

※一般使用二元染色體，限制染色體的基因只會等於零或壹。
在此處只是方便解說，所以直接把限制式設成零和壹。
假設我們用二元染色體來解目標函數f(x)=x^2的最大值，限制式為0<=x<=7，x為整數。
用基因演演算法求解，則需要產生log_2(8)=3個基因，
簡單說來，就是用二進位表示一個有限整數值。
（也可以把基因想成電腦的位元數，我們用三個位元來表示一個有限的整數值。）
這樣做的話，突變的方法就是直接把某個基因轉成零或壹，
不用設定要更改多少值（例如加3、加100或減0.8）（基因演演算法應該一般不會這樣做）；
計算適應值時，互相轉換二進位與十進位。

基因三個，則可以表達：
111=2^2+2^1+2^0=4+2+1=7
110=2^2+2^1=4+2=6
101=2^2+2^0=4+1=5
100=4
001=1
000=0
011=3
010=2

B. 基因的基因計算

DNA分子類似「計算機磁碟」，擁有信息的保存、復制、改寫等功能。將人體細胞核中的23對染色體中的DNA分子連接起來拉直，其長度大約為0.7米，但若把它折疊起來，又可以縮小為直徑只有幾微米的小球。因此，DNA分子被視為超高密度、大容量的分子存儲器。
基因晶元經過改進，利用不同生物狀態表達不同的數字後還可用於製造生物計算機。基於基因晶元和基因演算法，未來的生物信息學領域，將有望出現能與當今的計算機業硬體巨頭――英特爾公司、軟體巨頭――微軟公司相匹敵的生物信息企業。

C. 誰能解釋基因演演算法

基因演演算法 1975年 John Holland 學者所提出
成為非常著名的演演算法
Genetic Algorithm (GA)
基因演演算法 又稱: 遺傳演演算法
基因演演算法的概念
將問題編碼成 染色體的型式
基因: 0 or 1
染色體: x = 0 1 0 0 1 1 0
設計 適應函數 (fitness function)
f(x) :適應函數，給一 x 可得一 適應值 f(x)
適應值愈高, 表愈適應環境
基因演演算法三個基本動作
選擇(Selection)與復制 (Reproction)：
X = 0 1 0 0 1 1 0
選擇 適應值高 之染色體
復製成多個染色體
基因演演算法三個基本動作
交換 (crossover)：
父：0 1 0 0 1 1 0 0 1 1 1 0 1 0
母：1 0 1 1 0 0 1 1 0 0 0 1 0 1
交換 基因演演算法三個基本動作
突變 (mutation)：
0 1 0 0 1 1 0
1 選擇 產生初始族群
計算適應値 復制 交換
突變 產生下一子代
是否滿足 停止條件
產生最適個體
否是 基因演演算法 基本架構圖
取材自:輔仁大學資管系林文修老師
選擇與 基因操作階段
評估階段 初始階段 生成下一世代
問題否是 生成母體
評估適應函數
符合停止條件？
選擇 復制 交換 突變
開始 結束 編碼 適應函數
領域知識 表現型 基因型
解碼 基因演演算法 之流程圖
取材自:輔仁大學資管系林文修老師
演演算法步驟 Step1：隨機產生N個染色體
Step2：利用適應函數算出每個染色體的適應值
Step3 : 選擇與復制: 選擇 適應值高 之染色體 復製成多個染色體
Step4：利用交換及突變的動作產生新的染色體
Step5：測試新染色體的適應值是否達到門檻值
是：則 停止
否：則 Go to Step3
範例1 假設 x 在 (0,31) 之間，y = x ，求 x = ，y 可得最大值
將問題編碼成 基因的型式
x : 0 0 0 0 0～1 1 1 1 1
設計 適應函數 (fitness function)
f (x) = y = x
範例1 <Step 1, 2, 3>
取4組染色體 x f (x) f (x) /m 復制個數
0 1 1 1 0 (14) 196 0.71 1
1 1 0 0 0 (24) 576 2.07 2
1 0 0 0 1 (17) 289 1.04 1
0 0 1 1 1 ( 7) 49 0.18 0
m = = 278
196+576+289+49
4 範例1 <Step 4.1> 交換
x f (x)
0 1 1 1 0 0 1 0 0 0 (8) 8 = 64
1 1 0 0 0 1 1 1 1 0 (30) 30 = 900
1 1 0 0 0 1 1 0 0 1 (25) 25 = 625
1 0 0 0 1 1 0 0 0 0 (16) 16 = 256
交換 交換 範例1 <Step 4.1> 交換
交換點 下一子代 x f (x)
0 1 1 1 0 2 0 1 0 0 0 8 64
1 1 0 0 0 2 1 1 1 1 0 30 900
1 1 0 0 0 4 1 1 0 0 1 25 625
1 0 0 0 1 4 1 0 0 0 0 16 256
範例1 <Step4.2>突變 (機率0.1)
4個染色體× 5個基因 = 20個基因
20 × 0.1 = 2 有2個基因要突變
1 st：0 1 0 0 0 0 1 1 0 0 (12)
第一個染色體之第3基因突變
3 rd：1 1 0 0 1 1 0 0 0 1 (17)
第三個染色體之第2基因突變
範例1 <Step5>
停止條件有三種可能方法：
設定繁衍代數 (ex：1000代)
收斂 (ex：最佳適應值已50代未改進)
適應值達到門檻
否則，Go to Step3
編碼（coding）-1
運用基因演化演算法的目的是求問題的解，在初始階段的編碼步驟是把與問題相關變數的值（或稱為問題解）以特定編碼的方式將其組合成一條染色體 （chromosome，或稱為字串string），每一條染色體即代表一可能的問題解答，
最簡單而且被廣泛使用的是標准二進位編碼法（Standard binary encoding）。這種編碼法是將染色體內的每個基因用二進位碼{0，1}來表示，而編碼後的染色體即是一串由01組合字串（string）。

D. 遺傳演算法

遺傳演算法是從代表問題可能潛在解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。每個個體實際上是染色體帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因的組合，它決定了個體形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼。初始種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解。在每一代，根據問題域中個體的適應度（fitness）大小挑選（selection）個體，並藉助於自然遺傳學的遺傳運算元（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群自然進化一樣的後生代種群比前代更加適應環境，末代種群中的最優個體經過編碼（decoding），可以作為問題近似最優解。

5.4.1 非線性優化與模型編碼

假定有一組未知參量

x_i（i=1，2，…，M）

構成模型向量m，它的非線性目標函數為Φ（m）。根據先驗知識，對每個未知量都有上下界α_i及b_i，即α_i≤x≤b_i，同時可用間隔d_i把它離散化，使

d_i=（b_i-α_i）/N （5.4.1）

於是，所有允許的模型m將被限制在集

x_i=α_i+jd_i（j=0，1，…，N） （5.4.2）

之內。

通常目標泛函（如經濟學中的成本函數）表示觀測函數與某種期望模型的失擬，因此非線性優化問題即為在上述限制的模型中求使Φ（m）極小的模型。對少數要求擬合最佳的問題，求目標函數的極大與失擬函數求極小是一致的。對於地球物理問題，通常要進行殺重離散化。首先，地球模型一般用連續函數表示，反演時要離散化為參數集才能用於計算。有時，也將未知函數展開成已知基函數的集，用其系數作為離散化的參數集x_i，第二次離散化的需要是因為每一個未知參數在其變化范圍內再次被離散化，以使離散模型空間最終包含著有限個非線性優化可選擇的模型，其個數為

地球物理數據處理教程

其中M為未知參數x_i的個數。由此式可見，K決定於每個參數離散化的間隔d_i及其變化范圍（α_i，b_i），在大多數情況下它們只能靠先驗知識來選擇。

一般而言，優化問題非線性化的程度越高，逐次線性化的方法越不穩定，而對蒙特卡洛法卻沒有影響，因為此法從有限模型空間中隨機地挑選新模型並計算其目標函數 Φ（m）。遺傳演算法與此不同的是同時計算一組模型（開始時是隨機地選擇的），然後把它進行二進制編碼，並通過繁殖、雜交和變異產生一組新模型進一步有限的模型空間搜索。編碼的方法可有多種，下面舉最簡單的例說明之，對於有符號的地球物理參數反演時的編碼方式一般要更復雜些。

假設地球為有三個水平層的層次模型，含層底界面深度h_j（j=1，2，3）及層速度v_j（j=1，2，3）這兩組參數。如某個模型的參數值為（十進制）：

h₁=6，h₂=18，h₃=28，單位為10m

v₁=6，v₂=18，v₃=28，單位為 hm/s

按正常的二進制編碼法它們可分別用以下字元串表示為：

地球物理數據處理教程

為了減少位元組，這種編碼方式改變了慣用的單位制，只是按精度要求（深度為10m，波速為hm/s）來規定參數的碼值，同時也意味著模型空間離散化間距d_i都規格化為一個單位（即10m，或hm/s）。當然，在此編碼的基礎上，還可以寫出多種新的編碼字元串。例如，三參數值的對應位元組順序重排，就可組成以下新的二進制碼串：

地球物理數據處理教程

模型參數的二進制編碼是一種數學上的抽象，通過編碼把具體的非線性問題和生物演化過程聯系了起來，因為這時形成的編碼字元串就相當於一組遺傳基因的密碼。不僅是二進制編碼，十進制編碼也可直接用於遺傳演算法。根據生物系統傳代過程的規律，這些基因信息將在繁殖中傳到下一帶，而下一代將按照「適者生存」的原則決定種屬的發展和消亡，而優化准則或目標函數就起到了決定「適者生存」的作用，即保留失擬較小的新模型，而放棄失擬大的模型。在傳帶過程中用編碼表示的基因部分地交合和變異，即字元串中的一些子串被保留，有的改變，以使傳代的過程向優化的目標演化。總的來說，遺傳演算法可分為三步：繁殖、雜交和變異。其具體實現過程見圖5.8。

圖5.8 遺傳演算法實現過程

5.4.2 遺傳演算法在地震反演中的應用

以地震走時反演為例，根據最小二乘准則使合成記錄與實測數據的擬合差取極小，目標函數可取為

地球物理數據處理教程

式中：T_i，0為觀測資料中提取出的地震走時；T_i，s為合成地震或射線追蹤算出的地震走時；ΔT為所有合成地震走時的平均值；N_A為合成地震數據的個數，它可以少於實測T_i，0的個數，因為在射線追蹤時有陰影區存在，不一定能算出合成數據T_j，0。利用射線追蹤計算走時的方法很多，參見上一章。對於少數幾個波速為常數的水平層，走時反演的參數編碼方法可參照上一節介紹的分別對深度和速度編碼方法，二進制碼的字元串位數1不會太大。要注意的是由深度定出的字元串符合數值由淺到深增大的規律，這一約束條件不應在雜交和傳代過程中破壞。這種不等式的約束（h₁＜h₂＜h₃…）在遺傳演算法中是容易實現的。

對於波場反演，較方便的做法是將地球介質作等間距的劃分。例如，將水平層狀介質細分為100個等厚度的水平層。在上地殼可假定波速小於6400 m/s（相當於解空間的硬約束），而波速空間距為100m/s，則可將波速用100m/s為單位，每層用6位二進制字元串表示波速，地層模型總共用600位二進制字元串表示（l=600）。初始模型可隨機地選取24～192個，然後通過繁殖雜交與變異。雜交概率在0.5～1.0之間，變異概率小於0.01。目標函數（即失擬方程）在頻率域可表示為

地球物理數據處理教程

式中：P₀（ω_k，v_j）為實測地震道的頻譜；ω_k為角頻率；v_j為第j層的波速；P_s（ω_k，v_j）為相應的合成地震道；A（ω_k）為地震儀及檢波器的頻率濾波器，例如，可取

A（ω）=sinC⁴（ω/ω_N） （5.4.6）

式中ω_N為Nyquist頻率，即ω_N=π/Δt，Δt為時間采樣率。參數C為振幅擬合因子，它起到合成與觀測記錄之間幅度上匹配的作用。C的計算常用地震道的包絡函數的平均比值。例如，設E［］為波動信號的包絡函數，可令

地球物理數據處理教程

式中：t_max為包絡極大值的對應時間；J為總層數。包絡函數可通過復數道的模擬取得。

用遺傳演算法作波速反演時失擬最小的模型將一直保存到迭代停止。什麼時候停止傳代還沒有理論上可計算的好辦法，一般要顯示解空間的搜索范圍及局部密度，以此來判斷是否可以停止傳代。值得指出的是，由（5.4.4）和（5.4.5）式給出的目標函數對於有誤差的數據是有問題的，反演的目標不是追求對有誤差數據的完美擬合，而是要求出准確而且解析度最高的解估計。

遺傳演算法在執行中可能出現兩類問題。其一稱為「早熟」問題，即在傳代之初就隨機地選中了比較好的模型，它在傳代中起主導作用，而使其後的計算因散不開而白白浪費。通常，增加Q值可以改善這種情況。另一類問題正相反，即傳相當多代後仍然找不到一個特別好的解估計，即可能有幾百個算出的目標函數值都大同小異。這時，最好修改目標函數的比例因子（即（5.4.5）式的分母），以使繁殖概率P_s的變化范圍加大。

對於高維地震模型的反演，由於參數太多，相應的模型字元串太長，目前用遺傳演算法作反演的計算成本還嫌太高。實際上，為了加快計算，不僅要改進反演技巧和傳代的控制技術，而且還要大幅度提高正演計算的速度，避免對遺傳演算法大量的計算花費在正演合成上。

E. 遺傳演算法的基本原理

自然界是一個自適應的大系統^{［53，56～60］}，自然系統中的大多數生物體通過自然選擇和有性生殖這兩種基本過程進行自身的演化，使自己逐步達到完美來適應大自然。遺傳演算法受生物進化與遺傳的啟發，形成一種獨特的優化方式，遺傳演算法的運算原理常常與生物進化及遺傳學說相吻合，而且其術語也常仿照生物學的術語。遺傳演算法的運算基礎是字元串，先將搜索對象編碼為字元串形式；字元串就相當於生物學中的染色體，由一系列字元組成；每個字元都有特定的含義，反映所解決問題的某個特徵，這就相當於基因，亦即染色體DNA的片段。每個字元串結構被稱為個體，每個個體都可以通過問題本身所具有的適應值度量來計算反映其適應性好壞的適應值，然後對一組字元串結構（被稱為一個群體）進行循環操作。每次循環操作被稱作一代，其中的操作包括：保存字元串組中適應性較好的那些字元串到下一代（對應於遺傳學中的復制），使上一代中的優良個體得以生存下去，這類似於生物進化論中的自然選擇。通過有組織的然而是隨機的字元串間的信息交換來重新結合那些適應性好的字元串（對應於遺傳學中的交叉），在每一代中利用上一代字元串結構中適應性好的位和段來生成一個新的字元串的群體；作為額外增添，偶爾也要在字元串結構中嘗試用新的位和段來替代原來的部分（對應於遺傳學中的變異），等等。遺傳演算法中這些操作只涉及字元串的某些片段，這就類似於遺傳過程只涉及某些基因而不是整個染色體。遺傳演算法是一類隨機演算法，但它不是簡單的隨機走動，它可以有效地利用已有的信息來搜尋那些有希望改善解質量的字元串。類似於自然進化，遺傳演算法通過作用於染色體上的基因，尋找好的染色體來求解問題。與自然界相似，遺傳演算法對求解問題的本身一無所知，它所需要的僅是對演算法所產生的每個染色體進行評價，並基於適應值來選擇染色體，使適應性好的染色體有更多的繁殖機會。

F. 什麼是遺傳演算法

是電路里的嗎？

G. 基因遺傳演算法主流

基因遺傳演算法是一種靈感源於達爾文自然進化理論的啟發式搜索演算法 該演算法反映了自然選擇的過程 即最適者被選定繁殖 並產生下一代
自然選擇的過程從選擇群體中最適應環境的個體開始 後代繼承了父母的特性 並且這些特性將添加到下一代中 如果父母具有更好的適應性 那麼它們的後代將更易於存活 迭代地進行該自然選擇的過程 最終 我們將得到由最適應環境的個體組成的一代
這一概念可以被應用於搜索問題中 我們考濾一個問題的諸多解決方案 並從中搜尋出最佳方案
遺傳演算法含以下五步
1.初始化
2.個體評價（計算適應度函數）
3.選擇運算
4.交叉運算
5.變異運算
初始化
該過程從種群的一組個體開始 且每一個體都是待解決問題的一個候選解
個體以一組參數（變數）為特徵 這些特徵被稱為基因 串聯這些基因就可以組成染色體（問題的解）
在遺傳演算法中 單個個體的基因組以字元串的方式呈現 通常我們可以使用二進制（1和0的字元串）編碼 即一個二進制串代表一條染色體串 因此可以說我們將基因串或候選解的特徵編碼在染色體中
個體評價利用適應度函數評估了該個體對環境的適應度（與其它個體徑爭的能力）每一個體都有適應評分 個體被選中進行繁殖的可能性取決於其適應度評分 適應度函數是遺傳演算法進化的驅動力 也是進行自然選擇的唯一標准 它的設計應結合求解問題本身的要求而定
選擇運算的目的是選出適應性最好的個體 並使它們將基因傳到下一代中 基於其適應度評分 我們選擇多對較優個體（父母）適應度高的個體更易被選中繁殖 即將較優父母的基因傳遞到下一代
交叉運算是遺傳演算法中最重要的階段 對每一對配對的父母 基因都存在隨機選中的交叉點
變異運算
在某些形成的新後代中 它們的某些基因可能受到低概率變異因子的作用 這意味著二進制位串中的某些位可能會翻轉
變異運算前後
變異運算可用於保持群內的多樣性 並防止過早收斂
終止
在群體收斂的情況下（群體內不產生與前一代差異較大的後代）該演算法終止 也就是說遺傳演算法提供了一組問題的解

H. 遺傳演算法的一般演算法

遺傳演算法是基於生物學的，理解或編程都不太難。下面是遺傳演算法的一般演算法： 繁殖(包括子代突變)
帶有較高適應度值的那些染色體更可能產生後代(後代產生後也將發生突變)。後代是父母的產物，他們由來自父母的基因結合而成，這個過程被稱為「雜交」。 各個個體對環境的適應程度叫做適應度(fitness)。為了體現染色體的適應能力，引入了對問題中的每一個染色體都能進行度量的函數，叫適應度函數。 這個函數是計算個體在群體中被使用的概率。

I. 網上經常所說的遺傳演算法與基因演算法是一回事嗎有什麼不同各自的用途用在什麼地方

遺傳演算法
GA是一種基於自然群體遺傳演化機制的高效探索演算法，它是美國學者Holland於1975年首先提出來的。

它摒棄了傳統的搜索方式，模擬自然界生物進化過程，採用人工進化的方式對目標空間進行隨機化搜索。它將問題域中的可能解看作是群體的一個個體或染色體，並將每一個體編碼成符號串形式，模擬達爾文的遺傳選擇和自然淘汰的生物進化過程，對群體反復進行基於遺傳學的操作（遺傳，交叉和變異），根據預定的目標適應度函數對每個個體進行評價，依據適者生存，優勝劣汰的進化規則，不斷得到更優的群體，同時以全局並行搜索方式來搜索優化群體中的最優個體，求得滿足要求的最優解。

Holland創建的遺傳演算法是一種概率搜索演算法，它是利用某種編碼技術作用於稱為染色體的數串，其基本思想是模擬由這些組成的進化過程。跗演算法通過有組織地然而是隨機地信息交換重新組合那些適應性好的串，在每一代中，利用上一代串結構中適應好的位和段來生成一個新的串的群體；作為額外增添，偶爾也要在串結構中嘗試用新的位和段來替代原來的部分。

遺傳演算法是一類隨機化演算法，但是它不是簡單的隨機走動，它可以有效地利用已經有的信息處理來搜索那些有希望改善解質量的串，類似於自然進化，遺傳演算法通過作用於染色體上的基因，尋找好的染色體來求解問題。與自然界相似，遺傳演算法對待求解問題本身一無所知，它所需要的僅是對演算法所產生的每個染色體進行評價，並基於適應度值來造反染色體，使適用性好的染色體比適應性差的染色體有更多的繁殖機會。

基因：組成染色體的單元，可以表示為一個二進制位，一個整數或一個字元等。

染色體或個體：表示待求解問題的一個可能解，由若干基因組成，是GA操作的基本對象。

群體：一定數量的個體組成了群體，表示GA的遺傳搜索空間。

適應度或適度：代表一個個體所對應解的優劣，通常由某一適應度函數表示。

選擇：GA的基本操作之一，即根據個體的適應度，在群體中按照一定的概論選擇可以作為父本的個體，選擇依據是適應度大的個體被選中的概率高。選擇操作體現了適者生存，優勝劣汰的進化規則。

交叉：GA的基本操作之一，即將父本個體按照一定的概率隨機地交換基因形成新的個體。

變異：GA的基本操作之一，即即按一定概率隨機改變某個體的基因值。

基因演算法是一種生物進化的演算法,實際上是一種多目標的探索法.能夠用於計劃與排程.它是非常新的技術,目前,還沒有在商業中實際運用.
採用生物基因技術高級演算法,處理日益復雜的現實世界,也是人工智慧上,高級約束演算法上的挑戰. 基因演算法是一種搜索技術，它的目標是尋找最好的解決方案。這種搜索技術是一種優化組合，它以模仿生物進化過程為基礎。基因演算法的基本思想是，進化就是選擇了最優種類。基因演算法將應用APS上，以獲得「最優」的解決方案。