与传统算法相比，遗传算法有四个突出的优点[2]。为了不断适应各种问题，近年来，一些学者提出了改进策略，使遗传算法有更广泛的应用领域。遗传算法作为一种非确定性的拟自然算法，为复杂系统的优化提供了新的思路。对于许多NP-Hard问题，遗传算法有很好的表现。
1简介遗传算法Genetic Algorithm, GA来源于进化论和群体遗传学，由美国的 Holland 教授于 1975 年在他的专著自然界和人工系统的适应性[1]中首先提出。遗传算法作为一种非确定性的拟自然算法，为复杂系统的优化提供了一种新思路，对于诸多NP-Hard问题，遗传算法都有不错的表现。
相对于传统算法而言，遗传算法有四大突出优点[2]1.遗传算法不需要描述问题的全部特点，不需要描述全部需要处理的情况。2.遗传算法仅需要对参数编码集进行处理，无需针对问题本身进行约束。3.相对于传统算法对模型线性连续可导的限制，遗传算法不存在这些限制条件。4.快速求解。遗传算法的相对不足1. 遗传算法的本质是随机搜索，不能保证所得解为全局最优解参数足够大的情况下是可以求出全局最优解，但失去了算法本身的意义。
2算法的发展与重心经过多年的发展，遗传算法的研究热点及发展方向可以由图1进行展示[3]图1 遗传算法研究进展遗传算法的搜索核心是遗传算子的选择，因此对于遗传算法的研究，其中最常见的内容与方向是遗传算子，遗传算子的选择多样性也导致了算法表现的多样性，常见的选择方式如图2所示图2 遗传算子的研究遗传算法作为一种搜索算法，在诸多领域均有很好的表现[4]，如函数优化组合优化生产调度自动控制机器学习图像处理人工生命遗传编程机器学习数据挖掘等。
3实例说明为了更通俗地理解遗传算法，下面将通过一些实例进行描述如果想在一座连绵的大山上找到其最高点，正常情况下你需要爬遍整座山才可以找到最高峰，但大多数的智能算法并不需要搜索整个山峰，不同的智能算法有不同的求解思路，举几个简单例子1. 爬山算法也称为贪心算法。假设有一只猴子从山的任意一点出发，当它爬到第一个高峰值点的时候便停止前进，并认为当前的山峰为整座山最高的点。
这种情况下，运气好可能会到达最高点，但是大概率情况下都不会是最高点。2. 模拟退火算法。假设有一只神志不清的猴子，当它爬到山峰的时候，它有一定的概率继续出发，也有概率停止前进。这种情况下它也有可能通过有限的时间找到整座山的最高点。3. 遗传算法。假设山上有一群猴子，猴子生存的食物只有在山峰处才有，而且山峰越高食物量越充裕。
那么这些猴子为了生存，会不断聚集在各个山头上，而这些山峰可以理解为各种局部最优解图3中类似绿色和蓝色的地方，如果种群规模足够大，势必会有一群猴子聚集在了整座山的最高点，也就是全局最优解图3中红色位置。图3 山体示意图基于以上三种算法的描述，我们可以对智能算法有一个简单的了解无论是哪种算法，都具有一定的随机性，都不能保证最终选择的山峰为整座山的最高点。
但是在实际生活中，有诸多类似的问题，如果要考虑所有的情况可能会花费大量的时间，而恰巧我们并不需要一个最好的结果，我们只需要快速找到一个相对较好的结果便可以满足要求的时候，智能算法的意义便得到了体现。智能算法的核心牺牲精度，保证效率。通俗了解后，虽然心里有大概思路，但还是云里雾里，这个时候我们可以考虑结合一些实际的例子来理解遗传算法。
结论虽然遗传算法存在一些缺点和不足，但它在很多领域(尤其是运筹学)都有非常好的表现，并且已经应用到现实生活中。为了不断适应各种问题，近年来，一些学者提出了改进策略，使遗传算法有更广泛的应用领域。扩展:https://juanlan.zhihu.com/p/36212065 https://juanlan.zhihu.com/p/30140008 https://juanlan.zhihu.com/p/25579864参考文献[1]霍兰德J H自然和人工系统中的适应:应用于生物学、控制和人工智能的介绍性分析m第二届剑桥:麻省理工学院出版社，1992年[2]葛，邱，，，浦等。遗传算法研究综述[J].计算机应用研究，2008(10):2911-2916。[3]，云。遗传算法的研究进展[J]..2012,29(04):1201-1206 1210.[4]季根林。遗传算法综述[J].计算机应用与软件，2004 (02): 69-73。[5] Nix A E，Vose M D .用马尔可夫链模拟遗传算法[
