想了很久，應(yīng)該用一個(gè)怎么樣的例子帶領(lǐng)大家走進(jìn)遺傳 算法的神奇世界呢？遺傳算法的有趣應(yīng)用很多，諸如尋路問題，8 數(shù)碼問題，囚犯困境，動(dòng)作控制，找圓心問題（這是一個(gè)國(guó)外網(wǎng)友的建議：在一個(gè)不規(guī)則的多邊形 中，尋找一個(gè)包含在該多邊形內(nèi)的最大圓圈的圓心。），TSP 問題（在以后的章節(jié)里面將做詳細(xì)介紹。），生產(chǎn)調(diào)度問題，人工生命模擬等。直到最后看到一個(gè)非 常有趣的比喻，覺得由此引出的袋鼠跳問題（暫且這么叫它吧），既有趣直觀又直達(dá)遺傳算法的本質(zhì)，確實(shí)非常適合作為初學(xué)者入門的例子。這一章將告訴讀者，我 們?cè)趺醋尨筇街槟吕尸敺迳先ィㄈ绻鼪]有過早被凍壞的話）。問題的提出與解決方案讓我們先來考慮考慮下面這個(gè)問題的解決辦法。

　　現(xiàn)在要求在既定的區(qū)間內(nèi)找出函數(shù)的最大值。函數(shù)圖像如圖 2-1 所示。極大值、最大值、局部最優(yōu)解、全局最優(yōu)解在解決上面提出的問題之前我們有必要先澄清幾個(gè)以后將常常會(huì)碰到的概念：極大值、最大值、局部最優(yōu)解、全局最優(yōu)解。學(xué)過高中數(shù)學(xué)的人都知道極大值在一個(gè)小鄰域里面左邊的函數(shù)值遞增，右邊的函數(shù)值遞減，在圖 2.1 里面的表現(xiàn)就是一 個(gè)“山峰”。當(dāng)然，在圖上有很多個(gè)“山峰”，所以這個(gè)函數(shù)有很多個(gè)極大值。而對(duì)于一個(gè)函數(shù)來說，最大值就是在所有極大值當(dāng)中，最大的那個(gè)。所以極大值具有 局部性，而最大值則具有全局性。因?yàn)檫z傳算法中每一條染色體，對(duì)應(yīng)著遺傳算法的一個(gè) 解決方案，一般我們用適應(yīng)性函數(shù)（fitness function）來衡量這個(gè)解決方案的優(yōu)劣。所以從一個(gè)基因組到其解的適應(yīng)度形成一個(gè)映射。所以也可以把遺傳算法的過程看作是一個(gè)在多元函數(shù)里面求最優(yōu) 解的過程。在這個(gè)多維曲面里面也有數(shù)不清的“山峰”，而這些最優(yōu)解所對(duì)應(yīng)的就是局部最優(yōu)解。而其中也會(huì)有一個(gè)“山峰”的海拔最高的，那么這個(gè)就是全局最優(yōu) 解。而遺傳算法的任務(wù)就是盡量爬到最高峰，而不是陷落在一些小山峰。（另外，值得注意的是遺傳算法不一定要找“最高的山峰”，如果問題的適應(yīng)度評(píng)價(jià)越小越 好的話，那么全局最優(yōu)解就是函數(shù)的最小值，對(duì)應(yīng)的，遺傳算法所要找的就是“最深的谷底”）如果至今你還不太理解的話，那么你先往下看。本章的示例程序?qū)?huì) 非常形象的表現(xiàn)出這個(gè)情景。

　　“袋鼠跳”問題 既然我們把 函數(shù)曲線理解成一個(gè)一個(gè)山峰和山谷組成的山脈。那么我們可以設(shè)想所得到的每一個(gè)解就是一只袋鼠，我們希望它們不斷的向著更高處跳去，直到跳到最高的山峰 （盡管袋鼠本身不見得愿意那么做）。所以求最大值的過程就轉(zhuǎn)化成一個(gè)“袋鼠跳”的過程。下面介紹介紹“袋鼠跳”的幾種方式。