2.1  基本遺傳算法描述
          遺傳算法在自然與社會現象模擬、工程計算等方面得到了廣泛的應用。在各個不同的應用領域，為了取得更好的結果，人們對GA進行了大量的改進，為了不至于混淆，我們把Holland提出的算法稱為基本遺傳算法，簡稱 GA、SGA（Simple Genetic Algorithm )、CGA（Canonical Genetic Algorithm），將其它的“GA類”算法稱為GAs(Genetic Algorithms）,可以把GA看作是GAs的一種特例。           

 2.1.1  基本遺傳算法的構成要素
   (1) 染色體編碼方法
         基本遺傳算法使用固定長度的二進制符號串來表示群體中的個體，其等位基
      因由二值符號集{0，1}組成。
          初始群體中各個個體的基因值用均勻分布的隨機數來生成。如：
                     x；100111001000101101
       就可表示一個個體，該個體的染色體長度是 l＝18。
(2)  個體適應度評價
          基本遺傳算法按與個體適應度成正比的概率來決定當前群體中每個個體遺傳
      到下一代群體中的機會多少。為正確計算這個概率，這里要求所有個體的適應
      度必須為正數或零。這樣，根據不同種類的問題，必須預先確定好由目標函數
      值到個體適應度之間的轉換規則，特別是要預先確定好當目標函數值為負數時
      的處理方法。

(3)  遺傳算子
      基本遺傳算法使用下述三種遺傳算子：
       •  選擇運算：使用比例選擇算子；
       •  交叉運算：使用單點交叉算子；
       •  變異運算：使用基本位變異算子。
   
(4)  基本遺傳算法的運行參數
      基本遺傳算法有下述4個運行參數需要提前設定：
       • M：群體大小，即群體中所含個體的數量，一般取為20 ~ 100。
       • T：遺傳運算的終止進化代數，一般取為100 ~ 500
       • pc：交叉概率，一般取為0.4 ~ 0.99
       • pm：變異概率，一般取為 0.0001 ~ 0.1
   
[說明]
           這4個運行參數對遺傳算法的求解結果和求解效率都有一定的影響，但目前
   尚無合理選擇它們的理論依據。在遺傳算法的實際應用中，往往需要經過多次試
   算后才能確定出這些參數合理的取值大小或取值范圍。

2.1.2 基本遺傳算法的形式化定義
        基本遺傳算法可定義為一個7元組：
                  GA＝  (M, F, s, c, m, pc, pm )

        M——群體大小；
        F——個體適應度評價函數；
        s——選擇操作算于；
        c——交叉操作算子：
        m——變異操作算于；
        pc——交叉概率；
        pm——變異概率；