什么是遗传算法?
遗传算法最早是由美国的John holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。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。 该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色基因的交叉、变异等过程。
遗传算法的原理详解?
遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，使适应度高的个体被保留下来，组成新的群体 新的群体既继承了上一代的信息，又优于上一代这样周而复始，群体中个体适应度不断提高，直到满足一定的条件遗传算法的算法简单，可并行处理，并能得到全局最优解。 遗传算法的基本操作有三种： 1 复制（Reproduction Operator） 从一个旧种群中选择生命力强的个体产生新种群的过程 具有高适应度的个体更有可能在下一代中产生一个或多个子孙 模拟无性繁殖 2 交叉（Crossover Operator） 复制操作能从旧种群中选择出优秀者，但不能创造新的染色体 交叉模拟了生物进化过程中的有性繁殖现象，通过染色体的交换组合，产生新的优良品种 交叉的过程：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串 3 变异(Mutation Operator) 模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变 以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值 在染色体以二进制编码的系统中，它随机地将染色体的某一个基因由1变为0，或由0变为1
遗传算法迭代原理?
遗传算法是一种基于自然选择和群体遗传机理的搜索算法,它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象.再利用遗传算法求解问题时,问题的每一个可能解都被编码成一个“染色体”,即个体,若干个个体构成了群体(所有可能解) .在遗传算法开始时,总是随机的产生一些个体(即初始解),根据预定的目标函数对每一个个体进行评估,给出一个适应度值,基于此适应度值,选择一些个体用来产生下一代,选择操作体现了“适者生存”的原理,“好”的个体被用来产生下一代,“坏”的个体则被淘汰,然后选择出来的个体,经过交叉和变异算子进行再组合生成新的一代,这一代的个体由于继承了上一代的一些优良性状,因而在性能上要优于上一代,这样逐步朝着最优解的方向进化.因此,遗传算法可以看成是一个由可行解组成的群体初步进化的过程.
显性基因和隐性基因遗传概率怎么算?
比如显性基因我们用AA来表示，隐性基因用aa来表示。如果是同一性状的基因，如AA和AA，aa和aa，遗传概率为百分之百。如果是AA和Aa，结果为AA：Aa，显性和隐性基因的遗传概率分别为1:1。如果是Aa和Aa，结果为AA：Aa：aa=1:2:1，显性基因遗传概率为四分之三，隐性基因遗传概率为四分之一。
显性基因和隐性基因遗传概率怎么算?
也就是说，一个孩子的基因的一半来自父方，一半来自母方，至于说遗传的是显性基因还是隐性基因是一个随机的过程。 1、基因频率与基因型频率的概念(书上有P117页) 2、遵循遗传平衡定律:AA=A基因频率的平方,Aa=2*A基因频率*a基因频率,aa=a基因频率的平方,且三者之合为一