遗传算法的智慧：不唯名家，不拒草根

仇士鹏

在高中生物课上，我们都学过自然选择、遗传进化的知识。正所谓：“师法自然，格物致知。”有人便从中提炼出了用于处理复杂优化问题的遗传算法。在大学及以后的科研实际中，遗传算法运用广泛。

遗传算法很简单，因为是对达尔文进化论的模拟，它包含了自然选择、基因重组和突变三个过程。打个比方，它们就像是加工厂，一堆原材料被输送进去，质量好的将会被留下，然后，随机交换彼此身上的一些特质，再随机进行突变。如果达到了出厂标准，就停止，否则便送回去重新加工。

遗传算法的核心便在于它的随机性，无论是选择、重组还是变异，都是以概率的方式进行操作。它并不是按照从高到低的排名方式僵硬地选择优秀的个体，而是用轮盘赌的方式——转动轮盘，在面积大的区域有较大的选中概率，而在面积小的区域也有较小的选中概率。

这种选择，不是门槛式的，而是筛子型的。它能让潜力很大，可是只露出冰山一角的，或者偏科严重，虽不足以遮百丑，但确实有一“白”的个体得以保留。这是一种“活”的选择方式。

因为一个人表现出的优劣和他本身的优劣并不是直接等同的关系。这是一个多元化、多维的世界，评语并不是只站在一条标准上指手画脚，而是在多方面的考量后综合评定的。但在特定条件下，评定的内容往往只有固定的几条标准。因此，在某些评价标准中，表现失色的人即使在别的方面有着极为峥嵘的头角，如果按照传统的排名方式，也会被放弃掉。这对整体的人才培养和个体的自我提升都是不利的。

有些钉子，想要露出布袋，也许只要一个机会。把它们留下来，发挥拿来主义，与其他钉子交换身上的特质，再进行突变，也许就能集百家之长，成为更逼近完美的钉子，脱颖而出。这是对怀才不遇者最好的成全。

当然，这种选择方式也有弊病。同样是因为随机性，一些本来就比较拔尖的个体会受到无妄之灾，优秀的特质反而被破坏，或者交换走了，结果跌落凡尘。如果不想成为别人的踏脚石，则只能不断提高自己，直到自己从成功率的分母中走出，走进分子，成为坚持到最后的那个人，凯旋时，仍是少年。

有人会问，为什么不把所有的情况一一列举出来，详细比对呢？因为在现实中，复杂问题涉及的可能方案的数量往往是以数量级为单位的，且其精度要求又高，即使用电脑计算，也容易导致死机。遗传算法解决了这个问题，它只要通过一群适量的个体不断进化，就可以找出最优秀的个体。

此外，遗传算法还可以成为“渔”，而不是“鱼”，换一种问题，也能迅速上岗，并不需要重新开始，一点点地罗列，重新编写程序。

这便是大自然给予人类的启迪。大自然在造物时，并不会把所有的物种都捏造出来，而是创造一部分，让他们成长、进化或者灭绝，最终使得世界缤纷多彩。在这一点上，自然選择和生物自身努力其实是互为因果的关系，共同推动着彼此的发展。

当然，遗传算法并不能找到绝对最佳的个体，有时候运气不好，随机性发挥了负面效果，结果就会很差。这时，它就要和其他算法相结合。遗传算法也变成了它概念下的一个个体，和别的算法相互交换优点，取长补短，进化出更优秀的算法，青出于蓝而胜于蓝。

（作者系河海大学水文学与水资源专业2020级工程硕士）