13 有人能向我解释遗传算法与其他传统搜索和优化方法相比的优势吗？ genetic-algorithms — 莱克什 source 4 什么样的GA？比起什么“传统”方法？没有这一点，就只能说诸如“更快的收敛和在某些应用中陷入局部最优的较小危险”之类的话，与任何其他优化方法一样。
19 使用遗传算法的主要原因是： 有多个局部最优 目标函数不平滑（因此无法应用导数方法） 参数数量非常大 目标函数是嘈杂的还是随机的 当您没有梯度的定义时，对于基于导数的方法，大量参数可能会成为问题。在这种情况下，您可以通过GA找到一个不错的解决方案，然后使用基于导数的方法对其进行改进。“大”的定义一直在增长。 — 帕特里克·伯恩斯 source 3 +1。我曾经迷上通用航空，但现在倾向于避免使用它们。在我看来，他们经历了一个大肆宣传的阶段，启发了一堆类似自然的方法（ACO等），然后逐渐退居至利基市场。就我个人而言，有点像神经网络。（也就是说，我最近使用过ES。） — Wayne'2 1 韦恩，我同意。我倾向于对任何进化策略都说“ GA”，并且将其他技术混合在一起通常也是一个好主意。传统的GA效率极低。 — Patrick Burns
7 概念很容易理解 模块化，与应用分开 支持多目标 优化适用于“嘈杂”的环境 永远是答案；随着时间的流逝答案会越来越好 天生平行 容易分发 — 白雪公主 source 在我的工作中，简单的并行化是使用遗传算法而不是模拟退火之类的最重要的因素。 — veryshuai 2014年
6 遗传算法在四个重要方面与传统的搜索和优化方法不同： 遗传算法从大量点中并行搜索。因此，它具有避免陷入像传统方法那样从单一点搜索的局部最优解的能力。 遗传算法使用概率选择规则，而不是确定性规则。 遗传算法在染色体上工作，该染色体是潜在解决方案参数（而不是参数本身）的编码版本。 遗传算法使用适应度评分，该评分是从目标函数获得的，没有其他导数或辅助信息 — 莱克什 source
3 遗传算法是最后的手段。仅当解析解决方案不可行时（它们是最常见的原因，请参见Patrick的回答），并且您手中有很多CPU时间，它们才有用。 — 卡洛斯·阿乔里（Carlos Accioly） source