遗传算法的本质：不是追求完美，而是追求足够好。就像进化本身，不是设计出最完美的生物，而是设计出最能适应环境的生物。

双十一前夜，杭州某电商公司的仓库里，调度主管老张盯着屏幕发了半小时呆。

公司有300多种商品，每天要处理8000多个订单，仓库里有12条传送带、8台打包机、6辆叉车。以往靠人工排班，熟手老张需要花3个小时做一张排班表。但问题是——人工排出来的方案，往往只能做到"差不多合理"，没人知道它是不是最优解。

那天晚上，老张的上级给他下了最后通牒：双十一峰值是平时的8倍，如果还是靠人排，系统崩了就全崩。

老张后来跟我复盘那个晚上，他说了一句让我印象很深的话：

"我突然意识到，仓库调度的本质不是'怎么排'，而是'能不能接受一个不够好的解'。"

他最终选择的方案，让双十一期间的出库效率提升了34%，而背后的算法，核心代码不超过80行。

这个算法，叫做遗传算法（Genetic Algorithm）。

它为什么叫"遗传"

要理解遗传算法，先想一个问题：大自然是怎么让生命越来越聪明的？

不是谁设计出来的，是通过「遗传+变异+自然选择」，一代一代筛选出来的。

生物的基因会随机变异——有的突变让个体更强，有的让个体更弱。那些适应环境的基因被保留下来，继续繁殖；不适应的被淘汰。这个过程不断重复，最终整个物种越来越适应环境。

遗传算法的核心思想，就是把这件事搬到计算机里：

把一个「解」想象成一个「生物」把解的质量（比如调度效率）想象成「适应度」用「交叉」（两个解组合）和「变异」（随机改动）产生新的解用「选择」（只保留好的）来决定下一代

就这么简单。没有任何高深的数学，就是"模拟进化"四个字。

80行代码：手写一个最简单的遗传算法

我们用一个最经典的问题来演示：0-1背包问题。

你有一个容量为15的背包，有5件物品，每件物品有价值（value）和重量（weight）： - 物品1：v=10, w=2 - 物品2：v=5, w=3 - 物品3：v=15, w=5 - 物品4：v=7, w=4 - 物品5：v=8, w=3 问：怎么选，使得价值最大，同时不超过背包容量？

用Python实现：

import randomitems = [(10, 2), (5, 3), (15, 5), (7, 4), (8, 3)]CAPACITY = 15def create_individual(): return [random.randint(0, 1) for _ in range(len(items))]def fitness(individual): total_value = sum(v * x for (v, w), x in zip(items, individual)) total_weight = sum(w * x for (v, w), x in zip(items, individual)) if total_weight > CAPACITY: return 0 # 超重，直接判0 return total_valuedef crossover(parent1, parent2): point = random.randint(1, len(parent1) - 1) child1 = parent1[:point] + parent2[point:] child2 = parent2[:point] + parent1[point:] return child1, child2def mutate(individual): idx = random.randint(0, len(individual) - 1) individual[idx] = 1 - individual[idx] return individualdef genetic_algorithm(generatinotallow=100, pop_size=20, mutation_rate=0.1): population = [create_individual() for _ in range(pop_size)] for gen in range(generations): fitness_scores = [(ind, fitness(ind)) for ind in population] fitness_scores.sort(key=lambda x: x[1], reverse=True) parents = [ind for ind, _ in fitness_scores[:pop_size // 2]] next_gen = parents[:] while len(next_gen) < pop_size: p1, p2 = random.sample(parents, 2) c1, c2 = crossover(p1, p2) if random.random() < mutation_rate: c1 = mutate(c1) if random.random() < mutation_rate: c2 = mutate(c2) next_gen.extend([c1, c2]) population = next_gen[:pop_size] best = max(population, key=fitness) print(f"第{gen+1}代，最优解价值={fitness(best)}") return max(population, key=fitness)best = genetic_algorithm(generatinotallow=50)best_value = fitness(best)print(f"n最优方案: {best}")print(f"选中物品: {[i+1 for i, x in enumerate(best) if x == 1]}")print(f"最优价值: {best_value}")

运行结果：

第1代，最优解价值=25第10代，最优解价值=33第30代，最优解价值=40第50代，最优解价值=40最优方案: [1, 0, 1, 1, 1]选中物品: [1, 3, 4, 5]最优价值: 40

验证一下：物品1(10,2) + 物品3(15,5) + 物品4(7,4) + 物品5(8,3) = 价值40，重量14，没超载。

遗传算法真正厉害的地方

看完上面的代码，你可能会说：这也太简单了，连我写的都快！

但它的威力，恰恰来自于这种"简单"。

传统优化算法要求目标函数"可导"——也就是说，你得能对解求导数，才能知道往哪个方向调整。但现实中大量问题根本不可导：工厂排班、物流配送、投资组合，这些问题的目标函数要么是离散的，要么是凹的，要么干脆就是一个黑盒子。

遗传算法不关心这些。它只关心一件事：给一个解，能算出它的分数就行。

所以它的应用范围极广：

物流路径规划（VRP问题）神经网络结构自动设计（AutoML）电路板布局优化游戏AI的策略进化车间调度（JSP问题）

三个关键参数，决定了你的算法是"进化"还是"退化"

代码虽然简单，但遗传算法有三个核心参数，调不好就会崩溃：

第一，种群规模。太小容易陷入局部最优，太大计算成本爆炸。经验值：20-100之间，小问题20足够。第二，变异率。一般设0.01-0.2。太高，算法变成随机搜索；太低，种群会快速同质化，陷入局部最优。第三，交叉率。一般设0.6-0.9。低于0.5，算法探索能力不足；高于0.9，好的解可能被破坏。

这三个参数没有标准答案，靠经验和问题特点来调参。但它本身就是一种"元启发式"——不需要知道最优解在哪里，只要一代一代迭代，它自己会往好的方向走。

进化不是万能的，但它解决了一类最难的问题

回到老张的故事。

他用遗传算法做仓库排班，最后那套方案其实不是"最优解"——运筹学告诉我们，在那种规模的问题下，真正的全局最优解几乎不可能在有限时间内找到。

但它找到了一个"足够好"的解。好到什么程度？双十一当天，仓库出库量比去年同期多了47%，客诉率降到了历史最低。

这就是遗传算法的本质：不是追求完美，而是追求足够好。

就像进化本身，不是设计出最完美的生物，而是设计出最能适应环境的生物。

老张后来跟我说，他以前觉得算法这东西太高深，必须是数学博士才能搞定。

"后来我发现，真正难的不是算法本身，是你愿不愿意把一个问题'翻译'成算法能听懂的语言。"