适应度函数

适应度函数是您想要优化的函数。对于标准优化算法，这被称为目标函数。工具箱软件尝试找到适应度函数的最小值。

将适应度函数写为文件或匿名函数，并将其作为函数句柄输入参量传递给主遗传算法函数。

个体

个体是可以应用适应度函数的任意点。个体的适应度函数值就是其得分。例如，如果适应度函数是

向量(2, -3, 1) 是一个个体，其长度为问题中的变量个数。个体(2, -3, 1) 的得分是 f(2, –3, 1) = 51。

有时，个体被称为基因组，个体的向量条目被称为基因。

种群和代

种群是由个体组成的数组。例如，如果种群规模为 100，适应度函数中的变量数量为 3，则可以用 100×3 的矩阵表示种群。同一个体在种群中可以出现多次。例如，个体(2, -3, 1) 可以出现在数组的多个行中。

在每次迭代中，遗传算法对当前种群执行一系列计算以产生新的种群。每个连续的种群被称为一个新的代。

多样性

多样性是指种群中个体之间的平均距离。如果平均距离较大，则种群多样性较高；否则，种群多样性较低。下图中，左侧的种群多样性较高，而右侧的种群多样性较低。

多样性对于遗传算法至关重要，因为它使算法能够搜索更大的空间区域。

适应度值和最佳适应度值

个体的适应度值是该个体的适应度函数的值。因为工具箱软件会找到适应度函数的最小值，所以种群的最佳适应度值是种群中任何个体的最小适应度值。

父代与子代

为了创建下一代，遗传算法从当前种群中选择某些个体（称为父代），并使用它们来创建下一代个体（称为子代）。通常，算法更有可能选择具有更好适应度值的父代。