1. 遗传算法主要流程
2. 遗传算法理论基础
l 模式（Schema）:模式指有相同特征的子集，比如二进制字符串11***\（*为通配符\）可以代表八个个体(2x2x2)。
l 阶（Order）：模式中确定位置的个数成为阶，比如1110*的阶为1
l 定义距（Defining Length）：模式中第一个确定位置和最后一个确定位置之间的距离成为定义距
3. 遗传算法与传统算法的区别
l 遗传算法中的种群中始终维持一定数量的个体（每个个体都是问题的解），而传统算法中每次迭代都一般只保留最优解。
l 遗传算法用个体/基因型来代表问题的解，而传统算法的解一般都更直观。
l 遗传算通过计算适应度来计算最优解，而传统算法一般通过导数或梯度来计算最优解。
l 遗传算由概率驱动，比如杂交概率、突变概率等，而传统算法一般都是有确定性的。PS：因为遗传算法的每一次迭代就朝着最优解的方向前进，即便遗传算法的过程有不确定性，但遗传算法最终的最优解一般都是确定的。
4. 什么情景使用遗传算法
l 当遇到以下类型的问题时，可以尝试遗传算法：
l 当问题的数学表达过于复杂或很难用数学表达时：遗传算法只需要定义个体、种群，选择、杂交、突变方法和适应度方程就可以求最优解。
l 当数据含较多噪音时：遗传算法受数据中异常值的影响较小。
l 当外部环境在不断变化时：遗传算法的种群始终保有一定数量的个体（解），因此遗传算法可以适应数据的改变，并针对新的环境产生新的最优解。
相信大家在浏览过系统的学习遗传算法各个阶段的内容，逐一去攻破，会比较容易好上手遗传算法的哦~如果大家对这个算法感兴趣的话，可以多浏览几遍以上内容，就可以了解怎么开始学习遗传算法啦~
