遗传算法是受自然进化启发的搜索、优化和学习算法家族中的一员。通过模拟进化过程，遗传算法较传统搜索算法具有更多优势，可为各种问题提供高质量的解决方案。通过本书，读者可以基于Python掌握行之有效的将遗传算法应用于各项任务的方法。同时，本书也涵盖了人工智能领域的最新进展。
本书旨在帮助软件开发人员、数据科学家和人工智能爱好者利用遗传算法解决工程应用中的搜索、优化和学习等问题，提升现有智能应用程序的性能和准确性。

第1部分 遗传算法基础
第1章 遗传算法简介
1.1 遗传算法的概念
1.1.1 达尔文进化论
1.1.2 遗传算法分析
1.2 遗传算法背后的理论
1.3 与传统算法的区别
1.3.1 种群基础
1.3.2 基因编码
1.3.3 适应度函数
1.3.4 概率行为
1.4 遗传算法的优点
1.4.1 全局优化
1.4.2 处理复杂问题
1.4.3 处理缺少数学模型的问题
1.4.4 抗噪声能力
1.4.5 并行处理
1.4.6 持续学习
1.5.1 特殊定义
1.5 遗传算法的局限性
1.5.2 超参数优化
1.5.3 计算密集型操作
1.5.4 过早收敛
1.5.5 无绝对最优解
1.6 遗传算法的适用情形
小结
拓展阅读
第2章 理解遗传算法的关键要素
2.1 遗传算法的基本流程
2.1.1 创建初始种群
2.1.2 计算适应度值
2.1.3 应用选择、交叉和变异算子
2.1.4 迭代停止的条件
2.2 选择算子
2.2.1 轮盘赌选择
2.2.2 随机通用抽样
2.2.3 基于排序的选择
2.2.4 适应度缩放
2.2.5 锦标赛选择
2.3 交叉算子
2.3.1 单点交叉
2.3.2 两点交叉和k点交叉
2.3.3 均匀交叉法
2.3.4 有序列表的交叉
2.3.5 顺序交叉
2.4 变异算子
2.4.1 反转变异
2.4.2 交换变异
2.4.3 逆序变异
2.4.4 重组变异
2.5 实数编码的遗传算法
2.5.1 混合交叉
2.5.2 模拟二进制交叉
2.5.3 实数变异
2.6 理解精英保留策略
2.7 小生境和共享
2.8 遗传算法解决问题的应用方法
小结
拓展阅读
……
第2部分 使用遗传算法解决问题
第3部分 遗传算法的人工智能应用
第4部分 相关方法