Для иллюстрации принципов работы эволюционных алгоритмов рассмотрим подробнее генетический алгоритм

Генетический алгоритм (ГА). Задача алгоритма состоит в максимизации функции приспособленности.

Формально, схема ГА может быть представлена следующим образом (популяция t-го поколения обозначается как {Sk(t)}):

Шаг 0. Создать случайную начальную популяцию {Sk(0)}.

Шаг 1. Вычислить приспособленность f(Sk) каждой особи Sk популяции {Sk(t)}.

Шаг 2. Производя отбор особей Sk в соответствии с их приспособленностями f(Sk) и применяя генетические операторы (рекомбинации и точечные мутации) к отобранным особям, сформировать популяцию следующего поколения {Sk(t+1)}.

Шаг 3. Повторить шаги 1,2 для t = 0, 1, 2,..., до тех пор, пока не выполнится некоторое условие окончания эволюционного поиска (прекращается рост максимальной приспособленности в популяции, число поколений t достигает заданного предела и т.п.).

Достоинства эволюционных вычислений:

1. широкая область применения;

2. возможность проблемно-ориентированного кодирования решений, подбора начальной популяции, комбинирования эволюционных вычислений с неэволюционными алгоритмами, продолжения процесса эволюции до тех пор, пока имеются необходимые ресурсы;

3. пригодность для поиска в сложном пространстве решений большой размерности;

4. отсутствие ограничений на вид целевой функции;

5. ясность схемы и базовых принципов эволюционных вычислений;

6. интегрируемость эволюционных вычислений с другими неклассическими парадигмами искусственного интеллекта, такими как искусственные нейросети и нечеткая логика.

Недостатки эволюционных вычислений:

1. эвристический характер эволюционных вычислений не гарантирует оптимальности полученного решения;

2. относительно высокая вычислительная трудоемкость, которая однако преодолевается за счет распараллеливания на уровне организации эволюционных вычислений и на уровне их непосредственной реализации в вычислительной системе;

3. относительно невысокая эффективность на заключительных фазах моделирования эволюции.