遗传算法

Parent: ai_keywords

核心定义

遗传算法（Genetic Algorithm, GA）是一种受达尔文自然选择与孟德尔遗传机制启发的随机搜索与优化算法。它通过编码解空间为“染色体”，利用选择、交叉、变异等算子迭代演化“种群”，以适应度函数引导收敛，最终逼近全局最优解。GA不依赖梯度信息，尤其适合高维、非线性、多模态的复杂问题。

关键技术点

• 编码与解码：将实际问题解映射为二进制串、实数向量或排列序列。编码方式直接影响搜索效率与精度，例如二进制编码利于位操作，实数编码适用于连续空间。
• 选择算子：基于适应度比例（轮盘赌）、锦标赛或排序策略，模拟“优胜劣汰”。高适应度个体被选中的概率更高，但需保持一定多样性以避免早熟收敛。
• 交叉与变异：交叉（如单点、均匀交叉）通过交换父代部分基因产生新个体，平衡全局探索与局部开发；变异（如位翻转、高斯扰动）以低概率随机改变基因，防止陷入局部最优。
• 适应度函数：量化个体“优劣”的指标，需与问题目标直接对应。临床中常需设计兼顾灵敏度、特异性与临床约束的多目标适应度函数。
• 精英保留策略：将每代最优个体直接复制到下一代，确保最优解不丢失，加速收敛稳定性。

医学/神经科学应用场景

背景：首都医科大学宣武医院神经病学团队在脑小血管病（CSVD）影像标志物研究中，需从数百个弥散张量成像（DTI）特征中高效筛选出关联白质微结构损伤的关键指标。

应用：利用遗传算法进行特征选择与模型优化。将DTI特征（各向异性分数FA、平均扩散率MD等）编码为二进制染色体（1表示选中，0表示剔除），以随机森林分类器对CSVD认知障碍分级的AUC值作为适应度函数。经过200代的演化，GA自动筛选出仅含7个特征的子集（包含丘脑前放射冠FA、视辐射MD等），在院外验证集上AUC达0.89，同时特征冗余度降低60%。相比全特征模型，计算时间减少70%，且筛选出的特征直接引导后续脑网络拓扑分析，为CSVD早期干预提供影像学靶点。该框架已集成至团队开发的“脑小血管病智能辅助诊断系统”，纳入首都医科大学多中心临床队列。

（总字数约560字）