遗传算法(GA)是基于遗传和自然选择原理的基于搜索的优化技术。它通常用于找到难题的最佳或接近最优的解决方案，否则将需要一生的时间才能解决。它经常用于解决优化问题，研究和机器学习中。

优化介绍

优化是使事情变得更好的过程。在任何过程中，我们都有一组输入和一组输出，如下图所示。

优化是指以获取“最佳”输出值的方式查找输入值。 “最佳”的定义因问题而异，但是在数学上，它是指通过改变输入参数来最大化或最小化一个或多个目标函数。

输入可以占据搜索空间的所有可能解决方案或值的集合。在此搜索空间中，存在一个或一组点，这些点或点可以提供最佳解决方案。优化的目的是在搜索空间中找到该点或一组点。

什么是遗传算法?

大自然一直是全人类灵感的重要来源。遗传算法(GA)是基于搜索的算法，基于自然选择和遗传学的概念。遗传算法是称为进化计算的更大的计算分支的子集。

遗传算法是由约翰·霍兰德(John Holland)和他的密歇根大学的学生和同事开发的，最著名的是大卫·E·戈德堡(David E. Goldberg)。

在Google Analytics(分析)中，对于特定问题，我们拥有一个或一组可能的解决方案。这些溶液然后进行重组和突变(就像在自然遗传学中一样)，产生了新的孩子，并且这一过程在各个世代中都重复了。每个人(或候选解决方案)都被分配一个适应度值(基于其目标函数值)，而适应性强的人则有更高的机会交配并产生更多的“更适合”的人。这符合达尔文的“适者生存”理论。

通过这种方式，我们可以不断“改进”好几代人或解决方案，直到达到制止标准。

遗传算法在本质上具有足够的随机性，但它们的性能也比随机局部搜索(在随机搜索中我们尝试各种随机解，跟踪迄今为止的最佳方案)要好得多，因为它们也利用了历史信息。

GA的优势

GA具有各种优势，因此非常受欢迎。这些包括-

• 不需要任何派生信息(许多实际问题可能不可用)。

• 与传统方法相比，更快，更高效。

• 具有很好的并行能力。

• 优化连续函数和离散函数，以及多目标问题。

• 提供“好的”解决方案列表，而不仅仅是一个解决方案。

• 总是能找到问题的答案，随着时间的流逝会越来越好。

• 当搜索空间很大并且涉及大量参数时很有用。

GA的局限性

与任何技术一样，GA也有一些局限性。这些包括-

• GA并不适合所有问题，尤其是那些简单且可获取派生信息的问题。

• 适应度值是反复计算的，对于某些问题可能会在计算上昂贵。

• 由于是随机的，因此无法保证解决方案的最优性或质量。

• 如果实施不正确，则GA可能无法收敛到最佳解决方案。

GA –动机

遗传算法能够提供“足够好”的解决方案“足够快”。这使得遗传算法对于解决优化问题具有吸引力。需要GA的原因如下-

解决难题

在计算机科学中，存在大量问题，即NP-Hard 。这实际上意味着，即使是功能最强大的计算系统，也要花费很长时间(甚至数年！)来解决该问题。在这种情况下，GA被证明是一种有效的工具，可以在短时间内提供可用的最佳解决方案。

基于梯度的方法的失败

传统的基于演算的方法是从一个随机点开始，然后沿渐变方向移动，直到到达山顶为止。此技术非常有效，并且对于单峰目标函数(如线性回归中的成本函数)非常有效。但是，在大多数现实情况下，我们有一个非常复杂的问题，称为风景，它由许多峰和许多山谷构成，导致这种方法失败，因为它们固有地会陷入局部最优状态。如下图所示。

快速获得良好的解决方案

一些困难的问题，例如旅行商问题(TSP)，具有现实世界中的应用程序，例如路径查找和VLSI设计。现在，假设您正在使用GPS导航系统，并且要花费几分钟(甚至几小时)来计算从源到目的地的“最佳”路径。在现实世界中应用程序的延迟是不可接受的，因此需要“快速”交付的“足够好”的解决方案。