我已经阅读了许多教程、论文，并且理解了遗传算法的概念，但是在 Matlab 中实现该问题时遇到了一些问题。
总之，我有：
包含三个基因 [ abc ] 的染色体，每个基因受一些不同的限制。
要评估的目标函数以找到最佳解决方案
我做了什么：
生成 a、b 和 c 的随机值，例如 20 个总体。即
[a1 b1 c1] [a2 b2 c2]…..[a20 b20 c20]
在每个解决方案中，我评估了目标函数并将解决方案从最佳到最差进行了排序。
我遇到的困难：
现在，我们为什么要进行交叉和变异？我发现的最佳解决方案还不够吗？
我知道进行交叉的概念（生成随机数、概率……等），但是将选择哪些父母以及其中多少人进行交叉或突变？
我应该为整个 20 个解决方案（父母）做交叉还是只做两个？
通常，遗传算法用于找到具有巨大搜索空间的问题的良好解决方案，其中找到绝对解决方案非常困难或不可能。显然，我不知道您的值的范围，但由于您只有三个基因，因此很可能通过遗传算法（或更简单的搜索策略）找到一个好的解决方案，而无需任何额外的运算符。选择和交叉通常在种群中的所有染色体上进行（尽管按原样携带每一代最好的染色体并不少见）。一般的想法是，更适合的染色体更有可能被选择并相互交叉。
突变通常用于阻止遗传算法过早收敛于非最优解。您应该分析没有突变的结果，看看是否需要它。突变通常在整个种群上运行，在每一代，但概率非常小。给每个基因 0.05% 的机会发生突变并不少见。您通常希望提供很小的突变机会，而不是完全覆盖选择和交叉的结果。
正如有人建议的那样，我会对遗传算法进行一些更一般的背景阅读，以更好地理解其概念。
从“C++ 中的实用神经网络食谱”一书中分享一些建议……在您的第一个 epoc 中拥有大量人口是个好主意，然后您可能会包含有助于可接受解决方案的功能。以后可能拥有较小人口的 epoc 将调整、组合或淘汰这些有利的特性。
Handbook -Multiparent-Eiben似乎表明四个父母比两个好。然而，床制造商还没有抓住这一点，似乎只生产单人床和双人床。