遺傳算法中，交叉算子因其全局搜索能力而作為主要算子，變異算子因其局部搜索能力而作為輔助算子。遺傳算法通過交叉和變異這對(duì)相互配合又相互競(jìng)爭(zhēng)的操作而使其具備兼顧全局和局部的均衡搜索能力。如何有效地配合使用交叉和變異操作，是目前遺傳算法的一個(gè)重要研究?jī)?nèi)容。

運(yùn)算過程：

1）初始化：設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t＝0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生成M個(gè)個(gè)體作為初始群體P（0）。

2）個(gè)體評(píng)價(jià)：計(jì)算群體P（t）中各個(gè)個(gè)體的適應(yīng)度。

3）選擇運(yùn)算：將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的。

4）交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中交叉算子起核心作用。

5）變異運(yùn)算：將變異算子作用于群體。對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。群體P（t）經(jīng)過選擇、交叉、變異運(yùn)算之后得到下一代群體P（t＋1）。

6）終止條件判斷：若t＝T，則以進(jìn)化過程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。

可把遺傳算法的運(yùn)算過程看作是一個(gè)在多元函數(shù)里面求最優(yōu)解的過程。如下圖所示，這個(gè)多維曲面里面有數(shù)不清的“山峰”，而這些“山峰”所對(duì)應(yīng)的就是局部最優(yōu)解。而其中也會(huì)有一個(gè)“山峰”的海拔最高的，那么這個(gè)就是全局最優(yōu)解。而遺傳算法的任務(wù)就是盡量爬到最高峰，而不是陷落在一些小山峰。

算法優(yōu)點(diǎn)：

1）遺傳算法從問題解的串集開始搜索，而不是從單個(gè)解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。

2）遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體，即對(duì)搜索空間中的多個(gè)解進(jìn)行評(píng)估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)算法本身易于實(shí)現(xiàn)并行化。

3）遺傳算法不用搜索空間的知識(shí)或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評(píng)估個(gè)體，在此基礎(chǔ)上進(jìn)行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設(shè)定。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。

4）遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)它的搜索方向。

5）具有自組織、自適應(yīng)和自學(xué)習(xí)性。遺傳算法利用進(jìn)化過程獲得的信息自行組織搜索時(shí)，適應(yīng)度大的個(gè)體具有較高的生存概率，并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。

6）算法本身也可以采用動(dòng)態(tài)自適應(yīng)技術(shù)，在進(jìn)化過程中自動(dòng)調(diào)整算法控制參數(shù)和編碼精度，比如使用模糊自適應(yīng)法。

簡(jiǎn)而言之，主要優(yōu)點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則�？梢园阉阉骺臻g擴(kuò)展到整個(gè)問題空間，因而具有全局優(yōu)化性能。同時(shí)也縮短了整個(gè)搜尋額時(shí)間，整體上效率更高、結(jié)果更接近最優(yōu)解。實(shí)現(xiàn)簡(jiǎn)單，沒有復(fù)雜的數(shù)學(xué)計(jì)算。

算法缺點(diǎn)：

1）遺傳算法編碼和解碼比較復(fù)雜，在進(jìn)化前需要做復(fù)雜的編碼工作，而在得到最優(yōu)解后還要做復(fù)雜的解碼工作，比較繁瑣和復(fù)雜；

2）編碼不規(guī)范及編碼存在表示的不準(zhǔn)確性，在遺傳操作過程中，遺傳算法編、解碼不易掌控，容易出錯(cuò)；

3）遺傳算法對(duì)初始種群的選擇有一定的依賴性；

4）遺傳算法通常的效率比其他傳統(tǒng)的優(yōu)化方法低；

5）遺傳算法在適應(yīng)度函數(shù)選擇不當(dāng)?shù)那闆r下有可能收斂于局部最優(yōu)，而不能達(dá)到全局最優(yōu)；也容易過早收斂；

6）遺傳算法對(duì)算法的精度、可行度、計(jì)算復(fù)雜性等方面，還沒有有效的定量分析方法。

研究動(dòng)向與應(yīng)用前景：

遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面。隨著應(yīng)用領(lǐng)域的擴(kuò)展，遺傳算法的研究出現(xiàn)了幾個(gè)引人注目的新動(dòng)向：

1）基于遺傳算法的機(jī)器學(xué)習(xí)，這是把遺傳算法從歷來離散的搜索空間的優(yōu)化搜索算法擴(kuò)展到具有獨(dú)特的規(guī)則生成功能的機(jī)器學(xué)習(xí)算法。這一新的學(xué)習(xí)機(jī)制對(duì)于解決人工智能中知識(shí)獲取和知識(shí)優(yōu)化精煉的瓶頸難題帶來了希望。

2）遺傳算法正日益和神經(jīng)網(wǎng)絡(luò)、模糊推理以及混沌理論等其它智能計(jì)算方法相互滲透和結(jié)合，這對(duì)開拓21世紀(jì)中新的智能計(jì)算技術(shù)將具有重要的意義。

3）并行處理的遺傳算法的研究十分活躍。這一研究不僅對(duì)遺傳算法本身的發(fā)展，而且對(duì)于新一代智能計(jì)算機(jī)體系結(jié)構(gòu)的研究都是十分重要的。

4）遺傳算法和人工生命的嶄新研究領(lǐng)域正不斷滲透。

5）遺傳算法和進(jìn)化規(guī)劃（EP）以及進(jìn)化策略（ES）等進(jìn)化計(jì)算理論日益結(jié)合。這三者之間的比較研究和彼此結(jié)合的探討正形成熱點(diǎn)。

由于遺傳算法的整體搜索策略和優(yōu)化搜索方法在計(jì)算時(shí)不依賴于梯度信息或其它輔助知識(shí)，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜系統(tǒng)問題的通用框架，它不依賴于問題的具體領(lǐng)域，對(duì)問題的種類有很強(qiáng)的魯棒性，適用于非常復(fù)雜和困難的環(huán)境。所以廣泛應(yīng)用于許多科學(xué)和領(lǐng)域。

目前，遺傳算法已被人們廣泛地應(yīng)用于生產(chǎn)調(diào)度、組合優(yōu)化、通信網(wǎng)絡(luò)設(shè)計(jì)、機(jī)器學(xué)習(xí)、機(jī)器人學(xué)、圖象處理與模式識(shí)別、運(yùn)動(dòng)估計(jì)、信號(hào)處理、遺傳編碼、自適應(yīng)控制和人工生命等領(lǐng)域。遺傳算法也是人工智能領(lǐng)域中用于解決最優(yōu)化的一種搜索啟發(fā)式算法，是進(jìn)化算法的一種。這種啟發(fā)式通常用來生成有用的解決方案來優(yōu)化和搜索問題。

結(jié)語：

遺傳算法模擬生物繁殖的突變、交換和達(dá)爾文的自然選擇（適者生存）。它把問題可能的解編碼為一個(gè)向量（個(gè)體），向量的每一個(gè)元素稱為基因，并利用目標(biāo)函數(shù)（選擇標(biāo)準(zhǔn)）對(duì)群體（個(gè)體集合）中的每一個(gè)個(gè)體進(jìn)行評(píng)價(jià)，根據(jù)評(píng)價(jià)值（適應(yīng)度）對(duì)個(gè)體進(jìn)行選擇、交換、變異等遺傳操作，從而得到新的群體。遺傳算法提供了一種求解復(fù)雜系統(tǒng)問題的通用框架，它不依賴于問題的具體領(lǐng)域，對(duì)問題的種類有很強(qiáng)的魯棒性，適用于非常復(fù)雜和困難的環(huán)境。所以廣泛應(yīng)用于許多科學(xué)和領(lǐng)域。遺傳算法特別在人工智能領(lǐng)域有突出表現(xiàn)，對(duì)推動(dòng)人工智能發(fā)展具有重要意義！