遗传算法在现实世界中有哪些应用？

使用遗传算法解决了哪些现实世界的问题？问题是什么？用于解决此问题的适应性测试是什么？

关系数据库中的优化器。例如PostgreSQL和H2 ; 其他数据库很可能也使用遗传算法。问题是：选择最佳的查询计划（估计成本最低的查询计划）是NP难题的。适应性测试是估计成本。

的拉马克遗传算法在化学信息学被用于筛选能与特定受体结合潜在的新的药物化合物。

计算上的问题是在化学数据库中搜索可以正确定向的候选对象（扭曲了包含受体的分子的可能取向），并将其与构象搜索相结合（即，考虑分子的可能旋转扭曲的构象搜索） ，这会严重影响反应）。

以前，执行方向搜索或构象搜索是可行的，但不能同时执行。LGA利用了计算机加速的优势，并将遗传算法的全局搜索与局部搜索结合在一起。

Nasa创建了一种天线设计的遗传算法。

适应性测试如下：

用于评估天线的适应度函数是电压驻波比（VSWR）和发射和接收频率上的增益值的函数。VSWR是一种量化反射波干扰的方法，因此可以量化结点处的阻抗失配量。VSWR是沿传输线的信号包络中的最高电压和最低电压之间的比率。

这些通常用于金融，尤其是用于投资组合优化问题。关于此主题的论文很多，但请参见例如投资组合优化中的遗传算法。

我使用GA解决了制造和教育方面的日程安排问题。在第一种情况下，适应度函数是在给定的时间范围内制造了多少所请求的商品，而在第二种情况下，适应度是基于对有冲突的时间表的惩罚。

如果您对应用程序感兴趣，请访问citeseerx上超过20K篇论文的链接

我忍不住指出罗杰·阿尔辛的作品：

http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/

仅使用50个半透明三角形表示蒙娜丽莎的图像。

天线设计已经提到过，这是一个极为丰富的领域。（这很直接地促使我从电气工程学转向计算机科学（在90年代后期），尤其是从生物启发的计算和人工智能（在过去的五年左右）开始。）

同样，我将添加天线阵列优化，尤其是对于相控阵优化，这是天线设计的所有难题，等等。实际上，在电磁设备设计的整个领域中都存在机遇：天线，天线阵列，微波滤波器，光栅，超材料设备设计，这些都是我无法想象的。一个过时的调查是通过遗传算法进行的电磁优化，而最近的调查是《电磁学中的遗传算法》。（我真的应该买第二个。

我也看过很多关于非电磁电路设计的好论文：GA提出了具有竞争力的运算放大器或其他集成电路设计，GA“学习”以利用FPGA中的模拟缺陷来实现模拟功能，例如时钟等。即使是简单而又简单的离散元件滤波器设计也可以成为GA的目标：我已经看到一个因素，其中包括q因子，公差，离散值和焊接寄生模型，可以从中获得良好的可制造滤波器。您手边的零件。

这些通常涉及一些新颖的（无论如何对我而言）电路表示法，以使遗传算子适合该范例以及可变大小的染色体。

最近，存在一个关于使用遗传算法来发展风力涡轮机叶片设计的问题，该流体动力学模拟是将物理功率作为适应度函数进行的。[1]

该视频显示了使用遗传算法开发VAWT风力涡轮机叶片的过程。产生的刀片之一完全不同，并且模拟效果很好。育种软件是用Perl编写的，显示软件是Java，而CFD软件是OpenFoam。这部影片的制作时间超过672个CPU小时。注意：此后，我发现我在空气中使用了错误的粘度，因此该结果不适用于地球。（也许是木星。）

[1] YouTube上的“ sjh7132”中的“不断发展的风力涡轮机叶片 ”。TCS.se问题引用/引自TCS.se：在何种程度上可以使用遗传算法提高风车涡轮机叶片的效率？

有一些关于使用遗传算法进行葡萄酒分类的研究。它可以准确地对葡萄酒的种类和产地进行分类（“原产地名称”）。[1] 这是遗传算法在农业系统中使用的一个子集，在农业系统中有很多应用。[2]

[1] 使用 NHBeltran等人的示例，使用智利葡萄酒色谱图进行特征选择算法

[2] Bolboaca等人在农业系统遗传算法中的应用现状

在航空航天领域，有很多关于使用遗传算法进行飞行控制的论文。其中许多是由IEEE Explorer发布或可搜索的。适应度函数通常测量算法控制飞行的效果。

[1] Fantinutto等人用遗传算法设计和优化飞行控制系统

[2]遗传算法在高超音速飞行控制中的应用。奥斯汀，雅各布斯。

[3]基于遗传算法的自适应控制算法，F-16飞行表面控制系统的多核实现，王小如

[4]基于遗传算法的模糊逻辑控制，用于高超声速飞行器的集成飞行控制。王健

Koza率先提出了一种出色的GA用途，甚至在非常规或范式转换方面的使用，在后来的调查中得到了高度评​​价，这是Koza首次提出来解决视频游戏“问题”，即吃豆人（Pac Man）作为原理证明，但这一概念很可能可以应用到几乎任何电子游戏，其结果绝对不是琐碎的或“玩具”。

也就是说，他发展了算法，这些算法实现了实际行为，从而可以在长时间的游戏中获胜。结果取决于业余运动员甚至是高级人类运动员的表现水平。适应度函数可以是通过算法计分的分数，也可以是玩法的时间长短（后者可能会进化出无需计分即可生存的算法，例如游戏《小行星》中“狩猎”飞船的经典案例）。该行为是通过“原始元素”（例如感知怪物/转身等）和代表原始策略组合的树来实现的。

[1] 使用 Atif M. Alhejali和Simon M. Lucas的遗传程序，发展多样化的吃豆人扮演代理人

[2] 学习扮演吃豆人：加拉格尔和赖安的基于规则的进化方法

[3] 学习使用基于低复杂度的基于规则的策略： IstvánSzitaAndrásL〜orincz的《吃豆人》插图

每年的GECCO会议（几乎是进化计算研究的主要场所）都有“真实世界的应用”之路。

另请参阅以下最近的演示文稿：