基因演算法 是什麼？

Genetic Algorithm：基因演算法 的完整解釋

基因演算法是一種模擬生物進化過程的優化算法，通過選擇、交叉和突變等操作，逐步演化出更優的解，用於解決複雜的搜索和優化問題。

容易混淆

基因演算法 vs 窮舉法 窮舉法把所有可能都試過。 基因演算法只保留和繁殖較好的候選解。

基因演算法 vs 集成學習 集成學習是把多個模型結合起來。 基因演算法是用來搜尋解的優化方法，不是在直接組模型。

記住這句就好

選好的、混新的、再小改，就是基因演算法的核心。

實際案例

超參數調校 想找學習率、層數和正則化組合時，可以用它在大量候選設定裡慢慢演化。

排程最佳化 在工廠排班或路徑安排上，當搜尋空間太大，基因演算法常能找出不錯的近似解。

算法與應用

它通常經過族群初始化、適應度評估、選擇、交叉與突變，再反覆迭代。 優點是搜尋範圍廣，缺點是參數不好調，也不保證一定找到全域最佳。

五個步驟

基因演算法（Genetic Algorithm, GA）模仿天擇，用一群候選解不斷演化來逼近好答案。流程固定是五步，循環執行。

第一步，編碼與初始化。 把問題的解編成一串「基因」（常用二進位串、整數串或實數向量），隨機產生一群個體當作第一代。

第二步，評估適應度。 用適應度函數（fitness function）算每個個體有多好。這一步是整個演算法的核心，適應度函數設計錯了，後面再怎麼演化都沒用。

第三步，選擇。 依適應度挑出要繁衍的個體。常見做法有輪盤法（適應度越高被選中機率越大）與競賽選擇（隨機抓幾個比一比，贏的出線）。競賽選擇比較不容易被少數超強個體壟斷。

第四步，交配（crossover）。 把兩個父代的基因片段交換，產生子代。這是 GA 產生新解的主要方式。

第五步，突變（mutation）。 以很低的機率隨機改動某些基因。這是避免整群卡在局部最優的唯一手段。

幾個關鍵參數

菁英保留（elitism）幾乎一定要開。沒有它，這一代最好的解可能在交配與突變後消失，導致整體表現上下震盪不收斂。

最常見的失敗模式是早熟收斂（premature convergence）：族群很快變得同質化，所有個體長得幾乎一樣，交配產生不出新東西，只剩突變在推進，效率極低。對策是加大族群、提高突變率，或用小生境（niching）等機制維持多樣性。

什麼時候值得用

值得： 搜尋空間離散或不連續、目標函數不可微、有多個彼此衝突的目標（多目標最佳化用 NSGA-II 這類 GA 變體很成熟）、只要「夠好」不需要「最佳」。排班、路徑規劃、參數組合最佳化都是典型場景。

不值得： 問題可微就直接用梯度法，快很多。有現成的專用演算法（例如線性規劃）就用專用的。每次評估適應度都很昂貴時，貝氏最佳化通常比 GA 更省評估次數。

GA 不保證找到最佳解，也沒有收斂速度的理論保證。它的價值在於「什麼問題都能套」，不在於效率。

情境判斷

Q1：如果問題空間很大又沒有明確梯度，基因演算法有機會派上用場嗎？ → 有，這正是它常被拿來解的類型。

Q2：如果你只想快速得到精確到小數點後很多位的最優解，基因演算法一定最合適嗎？ → 不一定，它比較擅長找不錯的近似解，不是每次都要追求數學上的精確最優。

常見問題

基因演算法一定模仿真實生物嗎？

不一定，它只是借用了演化的概念。

適應度函數為什麼重要？

因為它決定哪些候選解更值得被留下來。

突變是不是越多越好？

不是，太多會讓搜尋變得像亂試。

它適合機器學習嗎？

適合做超參數搜尋或特徵搜尋，但不常拿來當主訓練法。