遗传算法的特点及优势

遗传算法是基于自然选择和基因遗传学原理的一种群体寻优的搜索算法，特别适合处理传统搜索方法难以解决的复杂和非线性问题，广泛地用于组合优化、机器学习、自适应控制、规划设计、智能机器系统、智能制造系统、系统工程、人工智能、人工生命等领域，是21世纪智能计算中的关键技术之一。有人把遗传算法（GA）、进化策略（ES）、进化规划（EP）三者统称为进化算法（即EA，evolutional algorithm）或进化计算（即EC，evolutional computation）。实际上，遗传算法的名称应用更广泛，进化算法并没有本身特有的理论基础或比遗传算法更高一级的理论基础，所以在实际上，常把进化算法与遗传算法看成同样的概念。

与其他寻优算法相比，遗传算法的特点是：

（1）遗传算法是群体寻优，不是从一个点开始，而是从许多点开始搜索，因而可以防止搜索过程收敛于局部最优解，有可能寻求得到全局最优解；

（2）遗传算法通过适应函数来选择优秀种群，而不需要其他推导和附属信息，因而对问题的依赖性较小，求解的鲁棒性较好；

（3）遗传算法对寻优的函数（适应函数）基本无限制，既不要求函数连续，也不要求可微；既可以是显函数，也可以是隐函数（可以是映射矩阵，也可以是神经网络），因而应用广泛；(www.xing528.com)

（4）遗传算法是一种启发式搜索，它不是穷举法，也不是完全的随机测试，只要基因位置选择恰当，遗传操作合适，搜索效率往往很高，仅通过有限次迭代，便可得到接近最优的解；

（5）遗传算法具有并行计算的特点，可以用大规模并行计算来提高计算速度；

（6）遗传算法可以用分解成不同染色体的基因串的方法来解决问题，因而很容易与多智能体（multi-agent）相对应，所以遗传算法很容易应用于解决智能网络求解的问题；

（7）遗传算法特别适用于复杂大系统问题的优化求解。