遗传算法中的轮盘赌选择法（Roulette Wheel Selection）

一、核心思想

1. 每个个体适应度越高，分到的选择概率越大；
2. 把所有个体适应度拼成一个轮盘；
3. 随机转轮盘，指针落到哪个区间，就选中哪个个体；
4. 概率 = 个体适应度 / 种群总适应度。

二、数学公式

设种群有 (N) 个个体，第 (i) 个个体适应度为 (f_i)

1. 种群总适应度：
   [
   F = \sum_{i=1}^N f_i
   ]

2. 第 (i) 个个体被选中的概率：
   [
   p_i = \frac{f_i}{F}
   ]

3. 累积概率（构造轮盘区间）：
   [
   P_i = \sum_{k=1}^i p_k
   ]

三、实现步骤（一步步流程）

1. 计算种群每个个体适应度 (f_i)
2. 求总适应度 (F)
3. 算每个个体选择概率 (p_i)
4. 计算累积概率 (P_i)，形成分段区间
5. 生成一个 0~1 随机数 r
6. 判断 r 落在哪个累积概率区间，对应个体被选中
7. 重复多次，选出新种群

四、举个极简例子

种群4个个体，适应度：
(f_1=5,\ f_2=10,\ f_3=3,\ f_4=12)

总适应度 (F = 30)

概率：

• (p_1 = 5/30 \approx 0.1667)
• (p_2 = 10/30 \approx 0.3333)
• (p_3 = 3/30 = 0.1)
• (p_4 = 12/30 = 0.4)

累积概率：

• (P_1 = 0.1667)
• (P_2 = 0.5)
• (P_3 = 0.6)
• (P_4 = 1.0)

随机数举例：

• 若 (r=0.2)：在 (0.1667, 0.5) → 选个体2
• 若 (r=0.7)：在 (0.6, 1.0) → 选个体4

适应度越高，占区间越大，被选中概率越高。

五、Python 完整可运行代码实现

import random
import numpy as np

# 轮盘赌概率分配选择法
def roulette_selection(population, fitness):
    # 1. 总适应度
    total_fit = sum(fitness)
    # 2. 每个个体选择概率
    prob = [f / total_fit for f in fitness]
    # 3. 累积概率
    cum_prob = np.cumsum(prob)
    
    # 4. 随机0~1，选择个体
    r = random.random()
    for i in range(len(cum_prob)):
        if r <= cum_prob[i]:
            return population[i]

# 测试
if __name__ == "__main__":
    pop = ['个体1','个体2','个体3','个体4']
    fit = [5, 10, 3, 12]
    selected = roulette_selection(pop, fit)
    print("本次选中个体：", selected)

六、关键特点 & 缺点

✅ 优点：

• 完全按适应度概率分配，优胜劣汰直观
• 实现简单、经典易懂

❌ 缺点：

• 容易早熟收敛：超级优秀个体霸占轮盘，很快垄断种群
• 适应度接近时，选择差异不大

👉 改进：排序选择、锦标赛选择（教学里常用轮盘赌作为基础原理）。