遗传算法总结

1、首先实现从性状到基因的映射，即编码工作，然后从代表问题可能潜在解集的一个种群开始进行进化求解；
2、初代种群（编码集合）产生后，按照优胜劣汰的原则，根据个体适应度大小挑选（选择）个；
3、进行复制、交叉、变异，产生出代表新的解集的群体，再对其进行挑选以及一系列遗传操作，如此往复，逐代演化产生出越来越好的近似解。

1、两者的区别
遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子。（编码）
遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。（对函数要求低）
遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这也是遗传算法所特有的一种隐含并行性。（群体优化，并行计算，避免陷入局部最优）
遗传算法使用概率搜索技术 。遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解。（概率搜索）

2、遗传算法的特点：
- 遗传算法是对决策变量的编码进行操作，这样提供的参数信息量大，优化效果好。（编码）
- 遗传算法是从许多点开始并行操作，因而可以有效地防止搜索过程收敛于局部最优解。（多点并行）
- 遗传算法通过目标函数来计算适配值，而不需要其他推导和附加信息，从而对问题的依赖性小。（函数要求低）
- 遗传算法的寻优规则是由概率决定的，而非确定性的。 （概率搜索）
- 遗传算法对于待寻优的函数基本无限制，因而应用范围较广。（函数无限制）
- 遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。（启发式搜索）
- 遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度。（并行计算）
- 遗传算法更适合大规模复杂问题的优化。（大规模）
- 遗传算法计算简单，功能强。

3、传统算法的特点：
渐进收敛；经典的优化搜索算法往往是基于梯度的，梯度方向提高个体性能；单点搜索；局部最优。