GA本质上非常笼统，仅将其应用于任何优化问题都不会取得良好的效果。在本节中，我们将描述一些要点，这些要点将有助于并协助GA设计人员或GA实施人员进行工作。

介绍特定于问题的领域知识

据观察，我们将更多特定于问题的领域知识纳入了GA；我们获得更好的客观价值。可以通过使用特定于问题的交叉或变异运算符，自定义表示等来添加特定于问题的信息。

下图显示了Michalewicz(1990)的EA视图-

减少拥挤

当高度适合的染色体大量繁殖时就会发生拥挤，并且在几代人之后，整个种群中都充满了具有相似适应性的相似溶液。这减少了多样性，多样性是确保GA成功的非常关键的要素。有很多方法可以限制拥挤。其中一些是-

• 引入多样性的变异。

• 切换到等级选择和锦标赛选择，对于具有相似适合度的个人，其选择压力要大于适合度选择。

• 适应度共享-如果人口中已经包含相似的个体，则个体的适应度会降低。

随机帮助！

实验已经观察到，最佳解决方案是由随机染色体驱动的，因为它们使种群具有多样性。 GA实施人员应注意保持种群中足够的随机性和多样性，以获得最佳结果。

将GA与本地搜索混合

本地搜索是指检查给定解决方案附近的解决方案以寻找更好的目标值。

将GA与本地搜索混合有时可能会很有用。下图显示了可以在GA中引入本地搜索的各个位置。

参数和技术的变化

在遗传算法中，没有“一刀切”的解决方案，也没有适用于所有问题的魔术公式。即使在初始GA准备就绪后，仍需要花费大量时间和精力来处理诸如种群大小，变异和交叉概率等参数，以找到适合特定问题的参数。