遗传算法流程图怎么画？从编码到选择交叉变异的完整流程
遗传算法（Genetic Algorithm）是优化算法里的经典方法，灵感来自达尔文的生物进化论。它通过模拟自然选择和遗传变异的过程，在解空间里搜索最优解。很多人第一次接触遗传算法觉得抽象，但其实把流程图画出来，整个过程就清晰多了。今天就一步步拆解遗传算法的流程，帮你把它的原理和实现思路搞明白。
遗传算法的第一步是编码，也就是把问题的解表示成"染色体"（通常是一个字符串或数组）。比如要优化一个函数的参数，可以把每个参数编码成二进制串或者浮点数，多个参数拼接起来就是一条染色体。编码方式的选择很关键，直接影响后面的交叉和变异操作。二进制编码最简单，交叉就是交换二进制位，变异就是翻转某一位；实数编码更直观，但交叉变异的设计要复杂一些。
第二步是初始化种群。种群就是一组染色体，每条染色体代表一个候选解。初始化时随机生成一定数量的染色体，种群大小一般取几十到几百。种群太小容易陷入局部最优，太大计算量又上去了。初始化完成后，要计算每条染色体的适应度（fitness），也就是这个解有多好。适应度函数根据具体问题来定，比如求函数最大值就直接用函数值，求最小值就取倒数或者负数。
第三步是选择，也就是"优胜劣汰"。根据适应度大小，从种群里选出一些染色体作为父代，适应度高的被选中的概率大。常用的选择方法有轮盘赌选择（适应度越高被选概率越大）、锦标赛选择（随机抽几条选最好的）、排序选择（按适应度排名分配选择概率）。选择的目的是把优秀的基因传到下一代，但也要保持一定的多样性，不能让种群过早收敛到局部最优。
第四步是交叉，模拟生物的基因重组。从选出的父代里两两配对，以一定的交叉概率交换部分基因，生成子代。比如二进制编码下，随机选一个交叉点，把两条染色体在这个点之后的部分互换。交叉概率一般取0.6到0.9，太低了进化慢，太高了容易破坏好的基因结构。交叉是遗传算法产生新解的主要手段，决定了算法的全局搜索能力。
第五步是变异，模拟基因突变。以很小的变异概率（一般0.001到0.01）随机改变子代染色体的某一位。二进制编码下就是0变1或1变0，实数编码下就是给某个参数加个小扰动。变异的作用是保持种群的多样性，防止算法陷入局部最优。虽然变异概率很小，但缺了它，种群很容易提前收敛到一个次优解。
选择、交叉、变异完成后，就得到了新一代的种群。然后回到第三步，重复这个过程，直到满足终止条件——比如达到最大迭代次数，或者适应度连续几代没有改善。最后从种群里挑出适应度最高的染色体，解码后就是问题的最优解。画流程图的话，就是"初始化→评估适应度→选择→交叉→变异→新一代种群→评估适应度→（不满足条件就循环）→输出最优解"这样一个闭环。掌握了这个流程，不管用什么语言实现遗传算法都不难。