遺傳演算法是壹種全域性搜尋演算法，不需要目標函式的導數資訊，它能夠很快搜索到最優值所處範圍範圍。
而混合遺傳演算法是在遺傳演算法的基礎上引入其它優化演算法（如區域性尋優能力強的演算法），以保證遺傳演算法全域性效能的基礎上大大減小計算量，提高收斂速度。壹般引入的演算法有：傳統梯度類演算法、單純形法及模擬退火等等）這些演算法都很容易與遺傳演算法相容。
量子遺傳演算法與遺傳演算法有什麽區別遺傳演算法（Geic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是壹種通過模擬自然進化過程搜尋最優解的方法。遺傳演算法是從代表問題可能潛在的解集的壹個種群（population）開始的，而壹個種群則由經過基因（gene）編碼的壹定數目的個體(individual)組成。每個個體實際上是染色體(chromosome)帶有特征的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合，它決定了個體的形狀的外部表現，如黑頭發的特征是由染色體中控制這壹特征的某種基因組合決定的。因此，在壹開始需要實現從表現型到基因型的對映即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進位制編碼，初代種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解，在每壹代，根據問題域中個體的適應度（fitness）大小選擇（selection）個體，並借助於自然遺傳學的遺傳運算元（geic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群像自然進化壹樣的後生代種群比前代更加適應於環境，末代種群中的最優個體經過解碼（decoding），可以作為問題近似最優解。
量子遺傳演算法是量子計算與遺傳演算法相結合的產物。目前，這壹領域的研究主要集中在兩類模型上：壹類是基於量子多宇宙特征的多宇宙量子衍生遺傳演算法(Quantum Inspired Geic Algorithm)，另壹類是基於量子位元和量子態登加特性的遺傳量子演算法(Geic Quantum Algorithm,GQA)。
量 子遺傳演算法(Quantum GeicA lgorithm,QGA)。QGA采用多狀態基因量子位元編碼方式和通用的量子旋轉門操作。引入動態調整旋轉角機制和量子交叉，比文獻[2]的方法更具有通用性，且效率更高。但該方法仍是壹個群體獨自演化沒有利用盈子資訊的多宇宙和宇宙間的糾纏特性效率有待進壹步提高。文獻[3]提出壹種多宇宙並行量子遺傳演算法(Multiuniverse Parallel Quantum Geic Algorithm,MPQGA)，演算法中將所有的個體按照壹定的拓撲結構分成壹個個獨立的子群體，稱為宇宙；采用多狀態基因量子位元編碼方式來表達宇宙中的個體；采用通用的量子旋轉門策略和動態調整旋轉角機制對個體進行演化；各宇宙獨立演化，這樣可擴大搜索空間，宇宙之間采用最佳移民、量子交叉和量子變異操作來交換資訊使演算法的適應性更強，效率更高。
什麽叫遺傳演算法，遺傳演算法有什麽用遺傳演算法是計算數學中用於解決最佳化的搜尋演算法，是進化演算法的壹種。
遺傳演算法和蟻群演算法的區別遺傳演算法(Geic Algorithm，GA)是由Holland J．H．於20世紀70年代提出的壹種優化方法，其最優解的搜尋過程模擬達爾文的進化論和“適者生存”的思想。
蟻群演算法(Ant Colony Optimization, ACO)，是壹種用來在圖中尋找優化路徑的機率型演算法。
兩種演算法從概念上都屬於隨機優化演算法，遺傳演算法是進化演算法，主要通過選擇、變異和交叉運算元，其中每個基因是由二進位制串組成；蟻群演算法是基於圖論的演算法，通過資訊素選擇交換資訊。
遺傳演算法:baike.baidu./view/45853.htm
混合蟻群遺傳演算法,MATLAB程式設計
多講講吧，並行機是什麽意思
matlab 遺傳演算法function m_main()
clear
clc
Max_gen=100;% 執行代數
pop_size=100;%種群大小
chromsome=10;%染色體的長度
pc=0.9;%交叉概率
pm=0.25;%變異概率
gen=0;%統計代數
%初始化
init=40*rand(pop_size,chromsome)-20;
pop=init;
fit=obj_fitness(pop);
[max_fit,index_max]=max(fit);maxfit=max_fit;
[min_fit,index_min]=min(fit);best_indiv=pop(index_max,:);
%叠代操作
while gen<Max_gen
gen=gen+1; bt(gen)=max_fit;
if maxfit<max_fit;maxfit=max_fit;pop(index_min,:)=pop(index_max,:);best_indiv=pop(index_max,:);end
best_indiv_tmp(gen)=pop(index_max);
newpop=ga(pop,pc,pm,chromsome,fit);
fit=obj_fitness(newpop);
[max_fit,index_max]=max(fit);
[min_fit,index_min]=min(fit);
pop=newpop;
trace(1,gen)=max_fit;
trace(2,gen)=sum(fit)./length(fit);
end
%執行結果
[f_max gen_ct]=max(bt)%求的最大值以及代數
maxfit
best_indiv
%畫圖
% bt
hold on
plot(trace(1,:),'.g:');
plot( trace(2,:),'.r-');
title('實驗結果圖')
xlabel('叠代次數/代'),ylabel('最佳適應度（最大值）');%座標標註
plot(gen_ct-1,0:0.1:f_max+1,'c-');%畫出最大值
text(gen_ct,f_max+1, '最大值')
hold off
function [fitness]=obj_fitness(pop)
%適應度計算函式
[r c]=size(pop);
x=pop;
fitness=zeros(r,1);
for i=1:r
for j=1:c
fitness(i,1)=fitness(i,1)+sin(sqrt(abs(40*x(i))))+1-abs(x(i))/20.0;
end
end
function newpop=ga(pop,pc,pm,chromsome,fit);
pop_size=size(pop,1);
%輪盤賭選擇
ps=fit/sum(fit);
pscum=cumsum(ps);%size(pscum)
r=rand(1,pop_size);qw=pscum*ones(1,pop_size);
selected=sum(pscum*ones(1,pop_size)<ones(pop_size,1)*r)+1;
newpop=pop(selected,:);
%交叉
if pop_size/2~=0
pop_size=pop_size-1;
end
for i=1:2:pop_size-1
while pc>rand
c_pt=round(8*rand+1);
pop_tp1=newpop(i,:);pop_tp2=newpop(i+1,:);
newpop(i+1,1:c_pt)=pop_tp1(1,1:c_pt);
newpop(i,c_pt+1:chromsome)=pop_tp2(1,c_pt+1:chromsome);
end
end
% 變異
for i=1:pop_size
if pm>rand
m_pt=1+round(9*rand);
newpop(i,m_pt)=40*rand-20;
end
end
什麽叫遺傳演算法，遺傳演算法有什麽用？希望通俗壹點兒首先有個很神奇的現象：人類以及動物的進化都是朝著好的方向發展，雖然有的往壞的方向發展了，但是總體肯定是往好的方向發展。這看似不奇怪，但是我們知道，人類的基因組合是隨機的，沒有上帝約束。這種隨機過程的結果卻是壹致的！我們的遺傳演算法就是從這裏得到啟發！比如我要求y=x1+x2的最大值，兩個變數，我不用傳統的數學方法，就用幼兒園的方法，把所有可能取值帶進去算，然後找出最大的就行了！但是，有時候取值是連續的，沒關系！使其離散化，就像把模擬訊號化成數字訊號壹樣！還有個問題，如果取值太多咋辦？這就是遺傳演算法的精髓！
首先，我不用取所有可能取值，我只取幾十個或者幾百個（自己定），然後進行處理，怎樣處理呢？讓我們回到剛開始的人類進化問題，雖然沒有上帝的幫忙，但是我們知道，自然界遵循優勝劣汰的發賊，遵循交叉變異的法則，雖然不能數字化，但是這是個趨勢！我們就是把這種法則數學化！所取的幾十個值我要剩下哪些？要拋棄哪些？要處理哪些？這都要我們自己選擇，肯定是選擇最合適的取值留下，經過壹系列的處理，就生成了新的群體，然後再處理，自己約定處理到第幾次就可以了，取出現過的最大值
不用擔心取到的是不是最大值，因為數學上已經有了證明，這種方法是收斂的，概率是1，所以盡管放心的做，具體的做法要參考相關書籍，不難的。
遺傳演算法的最大用處就是解決數學理論不能解決的問題！比如路徑規劃，排程問題……
蟻群演算法與遺傳演算法的區別？都屬於智慧優化演算法
但是蟻群演算法具有壹定的記憶性，遺傳演算法沒有
蟻群演算法有幾種原則，比如覓食原則，避障原則等，遺傳演算法沒有
蟻群演算法屬於群智慧優化演算法，具有並行性，每個粒子都可以主動尋優，遺傳演算法不行
蟻群演算法基於資訊素在環境中的指示，遺傳演算法是基於優勝劣汰的生物進化思想
遺傳演算法有選擇，交叉，變異三種運算元，每種運算元又有各自的不同方法，通過對運算元方法的修改和搭配，可以得到不同的改進遺傳演算法
蟻群演算法則多和其他智慧演算法相結合，得到改進的蟻群演算法
ncga和nsga-ii遺傳演算法的區別1 初始化染色體，這壹步和粒子群初始化沒啥區別
2 采用二人或多人錦標賽形式，在配對池裏產生新的染色體子代，新生代種群規模為原來種群規模的壹半。
3 針對新生代群體進行交叉和變異操作，以概率的方法判決進行交叉還是變異操作，壹般來說，我們以較大的概率交叉，較小的概率進行變異，具體的交叉變異操作文獻上都有，和二進位制遺傳演算法是不壹樣的，壹會兒我會講到。隨機選擇的壹對父母染色體進行交叉操作會產生壹對新的染色體，而變異操作僅僅是針對壹個單親變異，所以只產生壹個新的染色體。
4 合並原來的種群和後代種群，計算適應度值，輸出最優解空間
5 演算法結束。