GA(Genetic Algorithm)通过遗传算法进行参数优化的框架
##文件组织
ga.py 遗传算法框架
test.py 一个1维测试案例
test3d.py 一个2维测试案例
test.py测试需要依赖matplotlib
##程序结构
算法流程由GA类组织，构造时输入维数和评价函数和种群数组，种群只需要构造好正确数量的数组即可，算法初始化时会初始化每个dna内的参数个数
种群为DNAbase，DNA结构为16位定点数数组，范围01，使用时需要将01的值域范围变换到需要用的范围内。
初始化算法完成后，由用户程序构造循环，调用run函数，算法会进行迭代，并调用评价函数。在循环过程中，可以进行结果输出，判断终止条件。
##算法流程
- 构造：由客户输入种群数组(DNAbase对象数组)，构造GA对象，传入参数个数、评价函数。
- 初始化：客户直接访问GA类的配置成员，修改交叉位置，交叉位置变化，变异概率等。并调用ini函数初始化种群,评价第一批个体
- 运行：
- 所有得分累加，选取4分之1的DNA，进行交配
- 交叉：按配置的交叉位置交叉，并按概率变化交叉位置
- 变异：每个dna的每个参数单独进行变异，每个参数只变异一位，随机位置取反
- 评价：调用评价函数，将分数存储到dna，分数越高越好，由于交配概率是根据分数进行轮盘赌，所以可以通过分数计算方法来修改交配概率
- 学习：为了增加随机性，交配完成后所有个体统一进行贪婪学习，在自己邻域上进行小的跳变，只接受更好的解
- 排序：按降序排序，覆盖后50%