华南师范大学 《遗传算法及其应用》 全8讲 主讲-杨湘波

遗传算法这门东西，看视频容易产生一种「我听懂了」的错觉：选择、交叉、变异三个词翻来覆去就那么点内容，流程图一画就完事。但真到要写一个能跑出可用解的版本时，编码方式怎么选、种群规模设多少、交叉率和变异率怎么调、早熟了怎么办，这些问题没有一个是靠看概念能解决的。杨湘波这套八讲的定位，恰好落在「讲清楚运算过程 + 讲透算子与参数」这条线上，适合当成一份对照材料，边看边写代码验证。

这套内容在讲什么

课程的结构比较朴素：先铺遗传算法的发展脉络和基本运算过程，再往算子与参数技术里钻，最后落到科研中的应用举例。前一部分的作用是建立统一的术语框架——个体、种群、适应度、选择压力这些词在后续所有工程实现里都会反复出现，先把它们对齐，读别人的代码时才不会卡在命名上。真正有价值的是中间那块：算子与参数技术。编码（二进制、实数、排列）、选择策略（轮盘赌、锦标赛、排序选择）、交叉算子（单点、多点、均匀、算术交叉）、变异算子，以及这些算子之间的搭配关系，讲得比多数速成教程细。参数部分涉及到种群规模、交叉概率、变异概率、终止条件的经验取值区间，这些是调参时最先要动的东西。

怎么把它当成工程参考来用

建议的用法不是从头看到尾，而是拿一个具体问题来驱动。比如选一个带约束的函数优化问题，或者一个组合优化问题（TSP、排课、背包都行），按讲次推进：

• 基本运算过程那几讲，对应把主循环写出来——初始化种群、计算适应度、选择、交叉、变异、替换，先跑通一个最小可运行版本，别管效果。
• 算子部分，对应把每个算子单独实现成可替换的函数，这样后面做对比实验不用改主循环。二进制编码和实数编码的差异在这时候会变得很具体，尤其是精度和搜索效率的取舍。
• 参数技术部分，对应做一组对照实验：固定其他条件，只调交叉率和变异率，记录收敛曲线。课程给的是经验值，你自己的问题需要自己测。
• 应用举例部分，重点看建模思路——问题怎么映射成染色体、约束怎么处理（罚函数、修复算子、可行性优先），这比算法本身更容易踩坑。

这样走一遍，八讲的内容就变成了一条可以复用的代码骨架，而不是一堆听过的名词。

可复用的模块与结构

按工程拆法，一套遗传算法实现大致能分成四层：编码层（染色体表示与解码）、算子层（选择、交叉、变异）、评价层（适应度函数与约束处理）、调度层（种群管理、终止条件、日志）。课程在这几层都有涉及，但不会给你现成的库。对照着写一遍的好处是，你会清楚每个算子在哪一层、和谁耦合、替换成本有多高。之后再去看 DEAP、PyGAD 这类库，能直接对上号，知道哪些是框架替你做的，哪些还得自己管。

另外值得留意的是科研应用举例部分透露出来的实验习惯：怎么做对比、怎么控制变量、怎么判断结果不是偶然。这套习惯在工程里同样管用，尤其是当你需要向别人解释「为什么选这个参数」的时候。

适合谁，以及前置要求

这门课不是编程入门课，默认你能读懂循环、数组和基本概率概念，也默认你至少会一门能跑数值计算的语音。如果你之前只接触过梯度类优化方法，正好可以借它理解另一类思路：不依赖导数、靠种群并行搜索、用概率规则迭代。反过来，如果你已经用过遗传算法但效果一直不理想，课程里关于算子和参数的那部分会更有针对性，很多「玄学调参」其实是有经验规律可循的。

把它当参考书用，而不是当剧集刷。每讲配一段自己的代码，跑出结果再回头看讲的内容，收获会比连看八集大得多。