遺傳演算法的一般用在組合類問題找最優解上

普通的隨機找組合比較的盲目 需要耗費大量時間 尤其是組合問題天然有指數級別的複雜度 使得不能在有限時間內找到比較好的解

但很多問題的解的結構是有規律性質的 如果能把這些潛在的規律利用上的話 搜尋最優解的時間會大大縮短 遺傳演算法正是利用了這類的規律 他認為比較好的解的後代比較好的可能性比較大 就像大家說的優生優育 這樣好的解大機率產生好的後代 不太好的解只有小部分機率產生後代 這樣後代的解越來越好 找到最優解的機率就大大增加了

人工智慧的核心就是在一堆雜亂無章的資料中找到相關最優值。原則上，人類所有與語義資訊和語用資訊相關的，涉及人類智慧的問題，如果都能轉化為資料，則人工智慧(人工神經網路)可透過資料搜尋而完成這類問題。AI下圍棋最重要的就是，先把圍棋的“地”的價值、意義轉化為資料。然後利用AI的強大搜索功能找到對手每步棋後面，價值最大的一步棋，從而AI就不僅能下圍棋，而且還能自學習在圍棋上進步。

遺傳演算法是人工智慧上的一種搜尋演算法。用於搜尋資料集或資料空間或資料結構上的全域性最優值、區域性極值等。它利用生物DNA碼片交叉繁殖規則，做為資料集中的資料最佳化、搜尋策略。

生物的遺傳交叉規律，就是典型的生物拓撲群或拓撲空間上的抽象運算或規則，由此，生物這個集合就是典型的群，或拓撲。

人工智慧透過定義這麼個運算(遺傳演算法或規則)，則將任何資料集都近似定義為一個群，或一個拓撲(近似認為每個資料集在遺傳演算法下完備)。這樣人工智慧在遺傳演算法下幾乎可以處理任何資料集！比傳立葉集(所有可由傳立葉函式表示的函式)還廣！而實際上，由於在遺傳演算法下生成的資料群，往往是不完備的。所以，導致資料集上的最優值是搜不到，或只能得到某個近似最優值。這樣遺傳演算法在這種資料集上就失效了。即便如此，遺傳演算法適用的數集或叫函式還是非常廣的，似乎有拓展到線性可分問題外面的可能，就是不好證明。

純隨機演算法，常規計算機既編不出，又執行不了。也就是說，我們現在所說的隨機演算法，最多也就是偽隨機。另外，任何搜尋演算法其實就是資料集上的一個運算，每個搜尋演算法好用，就是說由這個搜尋演算法為運算構建了相應資料集上的一個群，或一個拓撲。能否又快又好地搜到這個資料群上的全域性最優值，取決於這個資料拓撲“形狀”和完備自洽性(通常完備自洽性都是近似滿足，證明相當困難！如果你有個證明，你就可發表在人工智慧領域的頂級刊物上！)。目前純隨機搜尋演算法，是個運算嗎？它能建立資料拓撲嗎？這也是隨機數學深入思考、研究的地方。

我們現代人工智慧上的演算法，都是利用隨機性篩選個起始值，或者，篩選個起始引數，或者，系統的初始結構引數。而所建立起的資料拓撲(被搜尋的資料集合)，其上的運算是確定的，而且是資料拓撲子集，或子群定義的。像常用的最小二乘自適應迭代演算法，就是典型的由資料子群定義運算的例子，非常漂亮，經典！

不多說了。你能看懂多少算多少吧！

遺傳演算法是為了解決組合爆炸的一種早期方法，有點生不逢時，當時正是第三次人工智慧熱遺傳演算法研究者努力向神經元網路靠攏，失去了很多有趣的特性，逐步變成了人工智慧的一部分，與支援向量等演算法一樣遇到了收斂問題。所謂純隨機應該是統計學的一種應用，在大規模計算中遇到的第一個問題就是組合爆炸，而且無解。從此才開始了人工智慧的研究。