遗传算法（Genetic Algorithm, GA）是一种受生物进化启发的随机搜索方法。它不推导公式、不算梯度，而是先撒出一大群候选解，再让它们一代代“繁殖—淘汰”，最后挑出一个足够好用的。
它是怎么转起来的
第一步是把问题的解编码成一条“染色体”（chromosome），通常就是一串数或一串 0/1。比如给 20 个人排一周班，一条染色体可以是“每人每天上哪个班”的一长串编号；调一个模型的超参数，染色体就是那组参数的拼接。
第二步是写一个适应度函数（fitness function），给每条染色体打分。排班就打分“冲突少、偏好满足多”，调参就打分“验证集误差小”。
然后是循环四件事：
- 选择（selection）：分数高的个体更容易被抽中当父母，常用轮盘赌（roulette wheel）或锦标赛（tournament）方式。
- 交叉（crossover）：把两个父母的染色体各切一刀，交换片段，拼出孩子。
- 变异（mutation）：随机改动孩子身上的一小段，避免全群长得一模一样。
- 替换：用孩子顶掉旧的种群，通常还会保留几个最优秀的个体（精英保留，elitism），防止好不容易找到的好解被冲掉。
重复几十上百代，种群的平均分一般会往上走。
打个比方
想象一个巨大的迷宫，你不知道出口在哪，也没法算出“往哪走更近”。于是你一次放出去一千个蒙眼探险者，每轮把走得最差的一批淘汰，让走得好的两两“生孩子”——孩子继承父母路线中各一段，再随机拐几个弯。跑上几十轮，总有人摸到出口附近。遗传算法干的就是这件事：不追求证明最优，只追求在巨大、离散、说不清形状的空间里，把“可用解”搜出来。
和邻居们的区别
| 方法 | 需要梯度/可导 | 适合的问题 | 特点 |
|---|---|---|---|
| 梯度下降 | 需要 | 连续、可导的参数优化 | 快，但会卡在局部最优，且要求问题光滑 |
| 随机搜索 | 不需要 | 任意 | 简单，但每一轮都不积累经验 |
| 遗传算法 | 不需要 | 离散、组合、适应度可快速打分 | 好片段能被保留重组，代价是算得慢、结果带随机性 |
| 遗传编程（Genetic Programming） | 不需要 | 自动生成表达式或程序 | 是 GA 的表亲，个体是一棵语法树而不是一串数 |
对从业者的意义
它最适合那种“组合爆炸 + 没有好公式”的场合：排班排产、路径规划、电路或天线布局、实验配方、特征子集挑选、超参数粗搜。上手时最该花时间的不是调交叉率变异率，而是编码方式和适应度函数——编码设计得不好，交叉出来的孩子全是废解；适应度函数写得有偏，算法就会精准地优化一个错的东西。
也要知道它的短板：计算开销大（每一代都要评估整个种群），随机性强（换个随机种子结果可能差很多，要固定种子并多跑几次），还容易“早熟收敛”（premature convergence）——全群过早长得一模一样，再也搜不出新方向，这时得靠提高变异率或重启种群。
最后一句实话：遗传算法名气很大，但并不是万能锤。很多场景下，一个针对问题设计的启发式规则，或者“随机撒点 + 局部改进”，效果并不差甚至更好。先问自己三个问题：问题真的是离散组合的吗？适应度能快速算出来吗？有没有更专用的算法？三个都说“是”，再请它上场。具体实现细节各家库不同，以官方文档为准。