1.遗传算法的特点

根据遗传算法原理及实例的描述，我们了解到如下一些优点：

（1）遗传算法从种群开始搜索，有利于全局择优。而传统优化算法是从单个初始值开始迭代求最优解，可能导致局部最优解。

（2）遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。

（3）遗传算法有极强的容错能力。遗传算法的初始群体通过选择、交叉、变异操作能迅速排除与最优解相差极大的个体。

（4）遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。遗传算法中的三个重要操作：选择使得算法向最优解逼近；交叉产生了新个体，促进了最优解的产生；变异体现了全局最优解的覆盖。

（5）遗传算法具有隐含的并行性。

然而遗传算法也存在以下主要缺点：不能描述层次化的问题、不能描述计算机程序、缺少动态可变性。

2.遗传算法的应用

遗传算法已在优化计算和分类机器学习等方面发挥了显著作用。在以下领域有成功的应用：优化问题、模式识别、神经网络、图像处理、机器学习、生产调度问题、自动控制、反问题求解、机器人学、生物计算、人工生命、程序自动化等。遗传算法在应用方面取得了丰硕成果。

对遗传算法进行改进和研究有如下方面。

1）基础理论的研究

进一步发展遗传算法的数学基础，从理论和试验研究它们的计算复杂性。主要是对搜索机理、收敛性、收敛速度、复杂性、有效性、能解性等基本理论问题的探索和研究。(www.daowen.com)

2）算法设计方面的研究

为了扩大遗传算法的可应用领域，并使之更为有效，主要从更宏观、更本质的角度模拟自然进化原理与机制，模拟生物智能的生成过程，并用以求解问题，进而融合数学、生物、计算机技术等各领域的原理与技巧，使所设计出来的算法更有效。

3）基于遗传算法的分类系统

遗传算法在机器学习中的应用之一是分类系统，已被人们越来越多地应用在科学、工程和经济领域中，是目前遗传算法研究中一个十分活跃的领域。

4）遗传算法与神经网络相结合

遗传神经网络包括连接权、网络结构和学习规则的进化。已得到一些成功的应用。

5）进化算法

遗传算法是进化算法的三种典型算法之一。

的确，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的方法，并且经过实践证明效果显著，尽管遗传算法在很多领域具有广泛的应用价值，但它仍存在一些问题，各国学者一直在探索着对遗传算法的改进，以使遗传算法有更广泛的应用领域。

习题

（1）简述遗传算法的原理。

（2）完成本章例题的算法迭代过程。