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相互配合又相互競爭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重要研究內(nèi)容。

運算過程：

1）初始化：設置進化代數(shù)計數(shù)器t＝0，設置最大進化代數(shù)T，隨機生成M個個體作為初始群體P（0）。

2）個體評價：計算群體P（t）中各個個體的適應度。

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

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

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

可把遺傳算法的運算過程看作是一個在多元函數(shù)里面求最優(yōu)解的過程。如下圖所示，這個多維曲面里面有數(shù)不清的“山峰”，而這些“山峰”所對應的就是局部最優(yōu)解。而其中也會有一個“山峰”的海拔最高的，那么這個就是全局最優(yōu)解。而遺傳算法的任務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：

1）遺傳算法從問題解的串集開始搜索，而不是從單個解開始。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）遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風險，同時算法本身易于實現(xiàn)并行化。

3）遺傳算法不用搜索空間的知識或其它輔助信息，而僅用適應度函數(shù)值來評估個體，在此基礎上進行遺傳操作。適應度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍大大擴展。

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)則來指導它的搜索方向。

5）具有自組織、自適應和自學習性。遺傳算法利用進化過程獲得的信息自行組織搜索時，適應度大的個體具有較高的生存概率，并獲得更適應環(huán)境的基因結(jié)構(gòu)。

6）算法本身也可以采用動態(tài)自適應技術(shù)，在進化過程中自動調(diào)整算法控制參數(shù)和編碼精度，比如使用模糊自適應法。

簡而言之，主要優(yōu)點是直接對結(jié)構(gòu)對象進行操作，不存在求導和函數(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，能自動獲取和指導優(yōu)化的搜索空間，自適應地調(diào)整搜索方向，不需要確定的規(guī)則�？梢园阉阉骺臻g擴展到整個問題空間，因而具有全局優(yōu)化性能。同時也縮短了整個搜尋額時間，整體上效率更高、結(jié)果更接近最優(yōu)解。實現(xiàn)簡單，沒有復雜的數(shù)學計算。

算法缺點：

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

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

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

6）遺傳算法對算法的精度、可行度、計算復雜性等方面，還沒有有效的定量分析方法。

研究動向與應用前景：

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

1）基于遺傳算法的機器學習，這是把遺傳算法從歷來離散的搜索空間的優(yōu)化搜索算法擴展到具有獨特的規(guī)則生成功能的機器學習算法。這一新的學習機制對于解決人工智能中知識獲取和知識優(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、模糊推理以及混沌理論等其它智能計算方法相互滲透和結(jié)合，這對開拓21世紀中新的智能計算技術(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。這一研究不僅對遺傳算法本身的發(fā)展，而且對于新一代智能計算機體系結(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域正不斷滲透。

5）遺傳算法和進化規(guī)劃（EP）以及進化策略（ES）等進化計算理論日益結(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。

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

目前，遺傳算法已被人們廣泛地應用于生產(chǎn)調(diào)度、組合優(yōu)化、通信網(wǎng)絡設計、機器學習、機器人學、圖象處理與模式識別、運動估計、信號處理、遺傳編碼、自適應控制和人工生命等領域。遺傳算法也是人工智能領域中用于解決最優(yōu)化的一種搜索啟發(fā)式算法，是進化算法的一種。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、交換和達爾文的自然選擇（適者生存）。它把問題可能的解編碼為一個向量（個體），向量的每一個元素稱為基因，并利用目標函數(shù)（選擇標準）對群體（個體集合）中的每一個個體進行評價，根據(jù)評價值（適應度）對個體進行選擇、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雜系統(tǒng)問題的通用框架，它不依賴于問題的具體領域，對問題的種類有很強的魯棒性，適用于非常復雜和困難的環(huán)境。所以廣泛應用于許多科學和領域。遺傳算法特別在人工智能領域有突出表現(xiàn)，對推動人工智能發(fā)展具有重要意義！