遗传算法特点：优化问题求解的万金油

2023-06-20 理论教育版权反馈

【摘要】：这样使遗传算法的应用范围大大增加，不仅可进行数值的优化，而且可以进行策略的优化。这些特点使得遗传算法具有一些其他算法无法比拟的优点。

1. 遗传算法对编码的参数集进行搜索

使用遗传算法对优化变量进行编码，在寻找过程中对编码的解空间进行搜索，而不是变量本身。在找到最优个体后，需对变量进行解码，得到最优解。

2. 在解集空间中进行多点搜索

遗传算法不像传统优化方法那样进行单点搜索，而是在解空间中并行地进行多点搜索，这样使算法能够利用全局信息，在一定程度上避免了算法陷入局部极小点，同时通过群体间相互作用和信息交换，找到全局最优解。

3. 仅仅利用由适应度函数直接提供的信息

遗传算法用适应度函数来评价每一搜索点的性能，它对应于传统优化方法中的目标函数，但遗传算法仅仅利用由适应度函数直接提供的信息进行搜索，而不利用其导数信息。这样使遗传算法的应用范围大大增加，不仅可进行数值的优化，而且可以进行策略的优化。

4. 依赖于随机规则

遗传算法中的选择、交换和变异操作都是随机的，这样有利于对整个解空间进行搜索。这些特点使得遗传算法具有一些其他算法无法比拟的优点。由于吸收了自然进化过程的机制，使得它具有较高的搜索效率。此外，由于它简单、不依赖于具体问题，因而具有较强的鲁棒性。因此，遗传算法在理论研究和工程实践中得到了广泛应用。