Сравнение с другими методами оптимизации

Итак, принцип любого генетического алгоритма прост: имитировать генетику и естественный отбор с помощью компьютерной программы. Параметры решаемой задачи наиболее естественно кодируются как ДНК-подобная линейная структура данных, вектор или строка. Иногда, в том случае, когда задача решается в двух- или трехмерном пространстве, также используются соответствующие многомерные массивы. Набор, называемый популяцией, напрямую связан с этими векторов значений параметров, зависящих от задачи. Этот набор обрабатывается генетическим алгоритмом. Обычно имеется полностью случайная популяция, в которой значения различных параметров генерируются случайным образом. Типичная численность популяции – от нескольких десятков до нескольких тысяч объектов. Для оптимизации нужен аналог фитнес-функции (функция стоимости, функция приспособленности), вызываемый так же, как и при использовании генетических алгоритмов. С помощью подобной функции можно выбрать лучших кандидатов для решения из популяции и удалить не очень хорошие образцы.
При сравнении генетических алгоритмов с другими методами оптимизации важной особенностью является то, что функцией пригодности может быть почти все, что можно оценить с помощью компьютера, или даже то, что нельзя – функцией также может быть естественное высказывание, которое нельзя сформулировать строго определенным способом, как в случае обучения с учителем, когда требуется выбирать среди альтернатив, получаемых алгоритмом.
Итак, никаких определенных математических ограничений на свойства фитнес-функции нет

. Она может быть дискретной, мультимодальной и т. д.
Основные критерии, используемые для классификации алгоритмов оптимизации, следующие: непрерывность / дискретность, ограниченность / неограниченность и последовательность / параллельность. Существует четкое различие между дискретными и непрерывными задачами. Поэтому важно отметить, что непрерывные методы иногда используются для решения дискретных задач и наоборот. Для ускорения обработки обычно используются параллельные алгоритмы