2. Області застосовування генетичного алгоритму

Генетичні алгоритми в різних формах застосовуються до вирішення багатьох наукових і технічних проблем. Генетичні алгоритми використовуються при створенні інших обчислювальних структур, наприклад, автоматів або мереж сортування. У машинному навчанні вони використовуються при проектуванні нейронних мереж або керуванні роботами. Вони також застосовуються при моделюванні розвитку в різних предметних областях, включаючи біологічні (екологія, імунологія і популяційна генетика) та соціальні (такі як економіка і політичні системи) системи.

Проте, можливо найбільш популярне застосування генетичних алгоритмів - оптимізація багатопараметричних функцій. Багато реальних задач можуть бути сформульовані як пошук оптимального значення, де значення - складна функція, що залежить від певних вхідних параметрів. У деяких випадках, потрібно знайти ті значення параметрів, при яких досягається найкраще точне значення функції. В інших випадках, точний оптимум не потрібний - рішенням може вважатися будь-яке значення, краще за певну задану величину. У цьому випадку, генетичні алгоритми - часто найбільш прийнятний метод для пошуку "прийнятних" значень. Сила генетичного алгоритму полягає в його здатності маніпулювати одночасно багатьма параметрами, що використовується в сотнях прикладних програм, включаючи проектування літаків, налаштування параметрів алгоритмів і пошуку стійких станів систем нелінійних диференціальних рівнянь.

Проте нерідкі випадки, коли ГА працює не так ефективно, як очікувалося.

Припустимо, що є реальна задача, зв'язана з пошуком оптимального рішення, як дізнатися, чи є ГА хорошим методом для її вирішення? До теперішнього часу не існує строгої відповіді, проте багато дослідників розділяють припущення, що якщо простір пошуку, який належить досліджувати, - великий, і передбачається, що воно не досконале гладке і унімодальне (тобто містить один гладкий екстремум), або якщо функція пристосованості з шумами, або якщо задача не вимагає строго знаходження глобального оптимуму - тобто якщо достатньо швидко просто знайти прийнятне "добре" рішення (що досить часто має місце в реальних задачах) - ГА матиме хороші шанси стати ефективною процедурою пошуку, конкуруючи і перевершуючи інші методи, які не використовують знання про простір пошуку.

Якщо ж простір пошуку невеликий, то рішення може бути знайдене методом повного перебору, і можна бути упевненим, що якнайкраще можливе рішення знайдене, тоді як ГА міг з більшою вірогідністю зійтися до локального оптимуму, а не до глобально кращого рішення. Якщо простір гладкий і унімодальний, то будь-який градієнтний алгоритм, такий як, метод швидкого спуску буде більш ефективний, ніж ГА. Якщо про простір пошуку є деяка додаткова інформація (як, наприклад, простір для добре відомої задачі про комівояжера), методи пошуку, використовуючі евристики, визначувані простором, часто перевершують будь-який універсальний метод, яким є ГА. При достатньо складному рельєфі функції пристосованості методи пошуку з єдиним рішенням в кожен момент часу, такий як простий метод спуску, могли "затикатися" в локальному рішенні, проте вважається, що ГА, оскільки вони працюють з цілою "популяцією" рішень, мають менше шансів зійтися до локального оптимуму і робастно функціонують на багатоекстремальному ландшафті.