壹、遺傳算法的特點
1．遺傳算法從問題解的中集開始嫂索，而不是從單個解開始。
這是遺傳算法與傳統優化算法的極大區別。傳統優化算法是從單個初始值叠代求最優解的；容易誤入局部最優解。遺傳算法從串集開始搜索，復蓋面大，利於全局擇優。
2．遺傳算法求解時使用特定問題的信息極少，容易形成通用算法程序。
由於遺傳算法使用適應值這壹信息進行搜索，並不需要問題導數等與問題直接相關的信息。遺傳算法只需適應值和串編碼等通用信息，故幾乎可處理任何問題。
3．遺傳算法有極強的容錯能力
遺傳算法的初始串集本身就帶有大量與最優解甚遠的信息；通過選擇、交叉、變異操作能迅速排除與最優解相差極大的串；這是壹個強烈的濾波過程；並且是壹個並行濾波機制。故而，遺傳算法有很高的容錯能力。
4．遺傳算法中的選擇、交叉和變異都是隨機操作，而不是確定的精確規則。
這說明遺傳算法是采用隨機方法進行最優解搜索，選擇體現了向最優解迫近，交叉體現了最優解的產生，變異體現了全局最優解的復蓋。
5．遺傳算法具有隱含的並行性
遺傳算法的基礎理論是圖式定理。它的有關內容如下：
(1)圖式(Schema)概念
壹個基因串用符號集{0，1，*}表示，則稱為壹個因式；其中*可以是0或1。例如：H=1x x 0 x x是壹個圖式。
(2)圖式的階和長度
圖式中0和1的個數稱為圖式的階，並用0(H)表示。圖式中第1位數字和最後位數字間的距離稱為圖式的長度，並用δ(H)表示。對於圖式H＝1x x0x x，有0(H)＝2，δ(H)＝4。
(3)Holland圖式定理
低階，短長度的圖式在群體遺傳過程中將會按指數規律增加。當群體的大小為n時，每代處理的圖式數目為0(n3)。
遺傳算法這種處理能力稱為隱含並行性(Implicit Parallelism)。它說明遺傳算法其內在具有並行處理的特質。
二、遺傳算法的應用關鍵
遺傳算法在應用中最關鍵的問題有如下3個
1．串的編碼方式
這本質是問題編碼。壹般把問題的各種參數用二進制編碼，構成子串；然後把子串拼接構成“染色體”串。串長度及編碼形式對算法收斂影響極大。
2．適應函數的確定
適應函數(fitness function)也稱對象函數(object function)，這是問題求解品質的測量函數；往往也稱為問題的“環境”。壹般可以把問題的模型函數作為對象函數；但有時需要另行構造。
3．遺傳算法自身參數設定
遺傳算法自身參數有3個，即群體大小n、交叉概率Pc和變異概率Pm。
群體大小n太小時難以求出最優解，太大則增長收斂時間。壹般n＝30-160。交叉概率Pc太小時難以向前搜索，太大則容易破壞高適應值的結構。壹般取Pc=0.25-0.75。變異概率Pm太小時難以產生新的基因結構，太大使遺傳算法成了單純的隨機搜索。壹般取Pm＝0．01—0．2。
三、遺傳算法在神經網絡中的應用
遺傳算法在神經網絡中的應用主要反映在3個方面：網絡的學習，網絡的結構設計，網絡的分析。
1．遺傳算法在網絡學習中的應用
在神經網絡中，遺傳算法可用於網絡的學習。這時，它在兩個方面起作用
(1)學習規則的優化
用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。
(2)網絡權系數的優化
用遺傳算法的全局優化及隱含並行性的特點提高權系數優化速度。
2．遺傳算法在網絡設計中的應用
用遺傳算法設計壹個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然後才能以選擇、交叉、變異操作得出最優結構。編碼方法主要有下列3種：
(1)直接編碼法
這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是壹種映射關系。通過對“染色體”的優化就實現了對網絡的優化。
(2)參數化編碼法
參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互連方式等信息。壹般對進化後的優化“染色體”進行分析，然後產生網絡的結構。
(3)繁衍生長法
這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把壹些簡單的生長語法規則編碼入“染色體”中；然後，由遺傳算法對這些生長語法規則不斷進行改變，最後生成適合所解的問題的神經網絡。這種方法與自然界生物地生長進化相壹致。
3．遺傳算法在網絡分析中的應用
遺傳算法可用於分析神經網絡。神經網絡由於有分布存儲等特點，壹般難以從其拓撲結構直接理解其功能。遺傳算法可對神經網絡進行功能分析，性質分析，狀態分析。
遺傳算法雖然可以在多種領域都有實際應用，並且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。首先，在變量多，取值範圍大或無給定範圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最後，遺傳算法的參數選擇尚未有定量方法。對遺傳算法，還需要進壹步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的通用編程和形式等。