一、经典流程

1. 初始化种群（Initialization）

首先，随机生成一个初始种群。每个个体（解）由一组编码（通常是二进制字符串）表示，种群大小为  N。

2. 评估适应度（Fitness Evaluation）

对每个个体进行评估，根据目标函数计算其适应度值（Fitness Value）。适应度值越高的个体代表其解质量越好。

3. 选择操作（Selection）

根据适应度值从当前种群中选择一些个体来生成下一代。常见的选择方法包括：

• 轮盘赌选择（Roulette Wheel Selection）：概率与适应度值成正比。
• 锦标赛选择（Tournament Selection）：随机选择多个个体进行比赛，选择其中适应度最高的个体。
• 排序选择（Rank Selection）：根据适应度对个体排序，选择概率与排序位置有关。

4. 交叉操作（Crossover）

选择的个体（父母）进行交叉操作，生成新的个体（子代）。常见的交叉方法有：

• 单点交叉（Single-Point Crossover）：在随机选定的交叉点处交换父母染色体的部分。
• 多点交叉（Multi-Point Crossover）：在多个交叉点处交换父母染色体的部分。
• 均匀交叉（Uniform Crossover）：根据预定的交叉概率随机交换父母染色体的每个位。

5. 变异操作（Mutation）

对子代个体进行变异操作，以引入新的基因，防止种群陷入局部最优。常见的变异方法有：

• 位变异（Bit Mutation）：随机选择染色体的一个或多个位置，翻转其值（0变1，1变0）。
• 随机变异（Random Mutation）：随机改变染色体的某些部分。

6. 生成新种群（Generation of New Population）

将通过交叉和变异操作生成的新个体组成下一代种群。根据具体的算法设计，也可以将一些适应度高的个体（精英个体）直接保留到下一代（精英保留策略，Elitism）。

7. 终止条件（Termination Condition）

检查是否满足终止条件，常见的终止条件有：

• 达到预设的最大代数（Maximum Generations）。
• 种群中最优个体的适应度不再显著提高。
• 达到预设的适应度阈值（Fitness Threshold）。

8. 返回最优解（Return the Best Solution）

算法终止后，返回种群中适应度最高的个体作为最优解。

二、思维导图