遺傳演算法（Genetic Algorithm）

一句話理解

用「選擇 + 交配 + 突變」模擬自然演化，在搜尋空間中逐步逼近最佳解的最佳化方法。

使用時機

最佳化問題（不需要可微的目標函數）
vs NN：GA-Step3-Fitness轉換 Function 靈活度更高，可直接加入業務 KPI
vs 暴力搜尋：不需窮舉，靠族群演化收斂
解空間非連續、非凸、高維時特別有用

核心流程

初始化族群（隨機 N 條染色體）
  ↓ 計算 Fitness
  ↓ Selection（高分存活）
  ↓ Crossover（交配產子代）
  ↓ Mutation（隨機翻轉 bit）
  ↓ 新世代 → 重複

各步驟節點

關鍵設計

GA-Encoding — 最難設計，N 位元 → 2^N 種可能解
Fitness Function：可加 Penalty，不需要可微
GA-族群大小與多樣性

GA vs Gradient Descent

不用微分，可處理離散/不連續/黑箱問題
GA-Step4-Selection = Exploitation（利用）；GA-Step6-Mutation = Exploration（探索）

近代應用

Greedy特徵選取：染色體 = 0/1 特徵遮罩，Fitness = 分類準確率
NAS（神經網路架構搜索）：Fitness = 驗證集準確率
GA × AI Agent：多 Agent 協作任務分配

相關

所屬課程