基因演算使用于智能交易的数据优化。 这些用途的范例是一个神经网络的学习，即， 这样的值得到的误差最小。基因演算是以随机搜索的方法为基础的。 随机搜索的主要问题在于我们不能够预测解决问题所需要的时间。为了避免浪费时间，他们运用生物创建的方法，即，方法在研究过程中的起源和革新。在革新过程中只有最适合的东西会留下来。结果是这种运算方法能够适应环境状态的调整。

这种基因演算最早是由美国密西根大学的 John H. Holland于1975发现的。该算法被命名为 Holland'的再生计划。这基本上是基因演算方法的全部类型。 我们需要近距离地研究这个计划，将讨论如何将基因演算规则使用到代码的重新编译上。

介绍对象

我们从生物学的特点得知，任何生物体都有自己的典型代表， 就是说，在真实世界上的每个物体都具有本身的基因性, 这个基因性包含该物体的全部信息。在每个典型代表上都会反映每个基因的信息。因此，要解决我们的问题，需要知道现存的物体的模式是否适合使用基因演算。基本演算机制的将来函数在典型代表的基础上，可以避开物体内在的信息，从而对于不同的任务广泛地使用演算。

比特字串符被广泛地使用于物体基因的基因演算中。 因为，每一个物体基因 都能够代表物体相应的特性。基因是一个固定长度的比特字串符表示这个特性值。

整数编码特性

最简单的代码方法是使用它的比特值。使用这种方法就可以很简单地执行。因为一个基因的中心长度足以表示特性的一些值。但是，这种方法也存在缺点。主要是由于周围的数字号码不同于几个比特值。比如， 7和 8在比特的显示上不同于4个仓位，这种情况就使基因演算很难继续运行。为了避免这个状况的发生，最好选择使用周围数字号码和代码差距较小的仓位，最理想的是相同值。在真实的基因演算中一些可用的 代码为 Gray 代码。这些可用 Gray 代码值在以下的表格中给出：

所以，当代码为整数特性时，我们将其分成四元组并按照Gray代码规则传送每个四元组。

在真实的 基因演算过程中，通常不需要传送特性值到基因值中。 实际执行中要注意相应的基因值必须找到特性值。

因此，在整数特性基因值的解码问题上就显得很微不足道了。

浮点编码特性

最简单的代码方法是使用它的比特值。在浮点代码特性中使用这种方法的缺点与整数代码特性相同。所以我们要按照以下列出的次序执行：

1. 特性允许值的整个间隔时间分为期待精确值部分。
2. 基因值作为整数号码时间间隔使用 (使用Gray代码 )。
3. 间隔时间的中间数字用作参量值。

我们现在通过范例来了解以上介绍的执行次序：

我们假设特性值得范围在[0,1]之内。该范围为代码被分裂成 256时间间隔。编码这些数字，我们需要8个比特。比如，基因值为 00100101bG (大写字母 G 表示Gray代码)。首先使用 Gray 代码，找到相应的间隔时间数字: 25hG->36h->54d。现在，我们来检测什么样的间隔时间与其相对应。通过简单的计算，我们得到的间隔时间为 [0,20703125, 0,2109375]。 即, 参量的值将为 (0,20703125+0,2109375)/2=0,208984375。

非数字数据编码

在编译这些非数字数据编码之前，我们必须把它转换成数字。在本网站上有相关的文章-使用神经网络描述。

如何由对象的基因确定它的典型代表

确定对象的典型代表 （对象的特性值），我们需要知道与这些特性相对应的基因值 (对象的基因类型)。基因的完整描述表现在物体基因类型的染色体。在一些实践中被称为标本。 因此，在基因演算的实践中，染色体代表的是一个固定长度比特字符串。字串符的间隔与基因相对应。在染色体内的基因长度可以相同也可以不同。 要经常性地使用相同长度的基因. 现在我们来看看染色体的范例和其值的解析。对象有5个特性，每一个特性编码基因元素的长度为4个。那么，染色体的长度为 5*4=20 比特：

我们现在可以确定特性值

基因演算的基本运算符

众所周知，在演变的理论中原有特性对新生事物的遗传影响很重要。在基因演算中， 基因运算符的交叉 使用到改变染色体的程序中。这种运算操作存在以下几种方法：

1. 选择两个普遍的单元作为母体;
2. 确定转折点(随意);
3. 确定子体作为第一和第二母体的联系部分。

我们来看看这些运算符函数

假设转折点放置在第三染色体后，那么:

那么结果染色体可能被确定为 0.5作为子体。

另外一个运算符是维持运算的变化。被称作变种运算符。这个运算符可以从它的初始状态再染色体中改变其值。相应地，每个比特在染色体中从中心位置倒序排列。

另外，还有一个运算符，被称为倒装运算符 使用在基因演算中。它将染色体分为两个部分并改变染色体的位置。简单地代表如下：

理论上，这两个基因运算符已经可以完成基因演算的操作。不过在实际操作中还需要添加一些运算符，并且对现有的两个运算符做适当的修改。例如， 在基因演算中不可能只有一个交叉点 (如上所述)，但是同样可以有多个交叉点。这种情况下，需要创建几个转折点 (通常是两个)。另外，倒装运算符的执行必须是在染色体种选择比特之后随意地使用执行。

基因演算的流程图

现在，带着上面的知识我们来解释一下基因值。我们讨论基因演算的函数何在。近距离地观看基因运算的流程图和它的古典表示法。

1. 初始化开始时间, t=0. 由k单元随意组成的初始化母体 。 B0 = {A1,A2,…,Ak)。
2. 计算每个单元的合适性, FAi = fit(Ai), i=1…k, 然后进入母体, Ft = fit(Bt)。这个函数的值在一定程度上确定适用于描述的染色体，并能解决问题。
3. 在母体中选择Ac单元。 Ac = Get(Bt)。
4. 在母体的中心概率选择第二个单元 (Pc概率的交叉点)， Аc1 = Get(Bt),并执行交叉运算符， Ac = Crossing(Ac,Ac1)。
5. 执行变种运算符( Pm概率的变种), Ac = mutation(Ac)。
6. 执行倒装运算符 ( Pi概率的倒装), Ac = inversion(Ac)。
7. 获取新的染色体到新的母体中，插入(Bt+1,Ac)。
8. 步骤 3 到 7 可以重复 k次。
9. 增加当前时期的数字， t=t+1.
10. 如果遇到停止，终端会停止作业。返回至步骤2。

一些运算的步骤还需要周密的计划和考虑。

步骤 3和4，选择染色体的母体步骤在函数的成功运算中扮演着最重要的角色。 对于这个步骤可能有多种多样的选择。最经常使用的方法被称作一般旋轮线 。 当使用这种方法时，这些或那些染色体的概率将会选择确定为它的合适性，即， PGet(Ai) ~ Fit(Ai)/Fit(Bt)。这种方法使用的结果可能会导致子体的单元生成概率的过量。另外一种经常使用的方法是淘汰赛。 它包括几个单元(通常2个)。在母体中随意地选择。最适合的单元将被使用。在一些运算的实施中，会使用名称为 菁英策略，说明保证进入母体的为最优秀的单元。 这种算法常常会加速基因演算的汇合。该策略的缺点是可能增加运算在最小地方点获取值。

确定运算停止的标准同样非常重要。演算函数的时期限定或演算汇合的确定(通常，当参量确定后，在几个时期内比较母体的适合性) 都需要使用一些尺度。