一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第6天，点击查看活动详情。
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。 对经典的遗传算法进行学习
遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。
遗传算法的主要步骤可罗列为：1.产生一个初始种群2.根据具体问题构造恰当的适值函数3.根据适应值的大小不断选择和繁衍。4.选择若干带后适应值最大的个体为最优解。
遗传算法的构成要素：1.种群和种群大小2.编码方法3.遗传算子4.选择策略5.停止策略（一般适用最大迭代次数当作停止策略） 实验流程
实验结果分析：
通过如图所示分析可以看到，随着d的增加，收敛的轮数并没有显著的增加，不像第一个算法那样，当维度增加的时候，迭代轮数会剧增，而且会产生较大的累计误差，而这个算法可以很快，很好的达到收敛效果。其次由于算法4的基因范围[-600,600]，全部为整数，为了较方便的用基因表示解空间，我们把范围缩小到[-512,512],那么就可以直接用10位的数字表示解空间。由于我们的算法在开始的时候初始化的值就很小，因此该种群在目标函数4的时候，很快收敛。
