受自然选择的启发，遗传算法是一种常用的近似解决优化和搜索问题的方法。它们的必要性在于，存在着一些在任何可接受的（或决定性的）时间内都无法解决的过于复杂的计算问题。

以著名的旅行推销员问题为例。随着问题所涉及的城市数量的增加，确定解决方案所需的时间很快就变得无法管理。例如，解决5个城市的问题是一个微不足道的任务；另一方面，解决50个城市的问题将花费大量的时间，以至于永远无法完成。

事实证明，用遗传算法来逼近这类优化问题是一种明智的做法，能产生合理的近似值。几十年来，遗传算法在机器学习领域一直占有一席之地，但最近它们作为优化机器学习超参数（以及穿越神经网络架构搜索空间）的工具的复兴，使它们受到了新一代机器学习研究者和从业者的关注。

本文介绍了12个遗传算法关键术语的简单定义，以帮助更好地将这些概念介绍给新来者。

1.遗传算法

遗传算法（GA）使用二进制字符串表示潜在的问题假设，并对潜在假设的搜索空间进行迭代，试图识别 "最佳假设"，即优化预定的数字衡量标准，或称适配度。总的来说，GA是进化算法的一个子集。

2.进化算法

进化算法（EA）是任何类型的学习方法，其动机是与生物进化有明显和有意的相似之处，包括但不限于遗传算法、进化策略和遗传编程。

3.遗传编程

遗传编程是一种特殊类型的EA，它利用进化学习策略来优化计算机代码的制作，从而使程序在预定的任务或任务集中表现最佳。

4.群体

在遗传算法中，每一次迭代或生成都会产生一系列可能的假设，以最佳方式接近一个函数，而群体指的是在给定的迭代之后，这些生成的假设的完整集合或集合。

5.染色体

作为对生物学的一个明显点头，染色体是一个单一的假设，其中许多假设构成了一个群体。

6.基因

在GA中，潜在的假说是由染色体组成的，而染色体又是由基因组成的。实际上，在GA中，染色体通常表示为二进制字符串，一连串的1和0，表示包含或排除由字符串中的位置代表的特定项目。基因是这样一个染色体中的一个位。

例如，遗传算法中的 "你好世界 "通常被认为是knapsack问题。在这个问题中，有一组N个项目，这些项目可能包括在小偷的背包里，也可能不包括在里面，这些N个项目将被表示为一个N个字符长的二进制字符串（染色体），字符串中的每个位置代表一个特定的项目，位置位（1或0；基因）表示该项目是否包括在特定的假设中。

• 群体→当前一代（算法的迭代）的背包问题的所有建议解决方案
• 染色体→对背包问题提出的特定解决方案
• 基因（Gene） → 某一特定项目在背包问题的特定解决方案中的位置表示（及其包含或排除）。

7.生成

在GA中，新的假设集是由以前的假设集形成的，方法是选择一些完整的染色体（一般是高适配性的），使其毫发无损地进入新的一代（选择），翻转现有的完整染色体的一点，使其进入新的一代（突变），或者，最常见的是用现有的染色体集的基因作为父母，为新的一代培育出子染色体。

那么，一个世代就是GA迭代的全部结果。

8.育种

育种指的是通常最常见的从现有一代的假设集创建新染色体的方法，即使用一对所述染色体作为亲本，并使用交叉法从它们创建新的子染色体。

9.9.选择

与自然选择相呼应，选择的概念是确保性能最佳（最高适配度）的染色体有更高的概率被用于培育下一代。通常情况下，性能最高的染色体可以被选择并推到新的一代，而不用于育种，确保随后几代的假说将最低限度地达到当前一代的相同水平。

10.交叉

如何用选定的染色体来培育后续代？如下图所示，交叉法是一般的选择。将选择一对长度为N比特的选定字符串，并生成一个随机整数c作为某个大小的交叉点（例如，0 <c<N）。然后，这两个字符串在这个交叉点c处被独立分割，并使用一个字符串的头部和另一个字符串的尾部进行重新组合，形成一对新的染色体。然后，这些新假说的适配性将在下一世代被评估。

11.变异

就像在生物术语中一样，变异被用于GAA中，以便将假设推向最优。一般来说，突变只是简单地翻转一个随机基因的位，并将整个染色体推进到下一个世代，这是一种逃避潜在局部最小值的策略。

12.健身

我们需要一些指标来衡量一个假设的最佳拟合度。一些健身函数被用来评估每个染色体，最佳拟合度可以被识别并更多地被依赖，以创造新的一代染色体。健身函数在很大程度上取决于任务。