автоматів або мереж сортування. У машинному навчанні вони використовувалися при проектуванні нейронних мереж або управлінні роботами. Вони також застосовувалися при моделюванні розвитку в різних предметних областях, включаючи біологічні (екологія, імунологія та популяційна генетика), соціальний (такі як економіка і політичні системи) і когнітивні системи.
Проте, можливо найбільш популярний додаток генетичних алгоритмів - оптимізація багатопараметричних функцій. Багато реальні завдання можуть бути сформульовані як пошук оптимального значення, де значення - складна функція, що залежить від деяких вхідних параметрів. У деяких випадках, представляє інтерес знайти ті значення параметрів, при яких досягається найкраще точне значення функції. В інших випадках, точний оптимум не потрібно - рішенням може вважатися будь-яке значення, яке краще деякої заданий величини. У цьому випадку, генетичні алгоритми - часто найбільш прийнятний метод для пошуку «хороших» значень. Сила генетичного алгоритму полягає в його здатності маніпулювати одночасно багатьма параметрами, ця особливість ГА використовувалося в сотнях прикладних програм, включаючи проектування літаків, налаштування параметрів алгоритмів і пошуку стійких станів систем нелінійних диференціальних рівнянь.
Проте нерідкі випадки, коли Генетичний Алгоритм працює не так ефективно, як очікувалося.
Припустимо є реальне завдання, сполучена з пошуком оптимального рішення, як дізнатися, чи є ГА гарним методом для її вирішення? До теперішнього часу не існує суворого відповіді, однак багато дослідників поділяють припущення, що якщо простір пошуку, яке належить досліджувати, - велике, і передбачається, що воно не зовсім гладке і унімодальне (тобто містить один гладкий екстремум) або не дуже зрозуміло , або якщо функція пристосованості з шумами, або якщо завдання не вимагає строго знаходження глобального оптимуму - тобто якщо достатньо швидко просто знайти прийнятне «хороше» рішення (що досить часто має місце в реальних завданнях) - ГА буде мати гарні шанси стати ефективною процедурою пошуку, конкуруючи і перевершуючи інші методи, які не використовують знання про простір пошуку.
Якщо ж простір пошуку невелике, то рішення може бути знайдено методом повного перебору, і можна бути впевненим, що найкраще можливе рішення знайдено, тоді як ГА міг з більшою ймовірністю зійтися до локального оптимуму, а не до глобально кращому вирішенню. Якщо простір гладке і унімодальне будь градієнтний алгоритм, такий як, метод швидкого спуску буде більш ефективний, ніж ГА. Якщо про простір пошуку є деяка додаткова інформація (як, наприклад, простір для добре відомої задачі про комівояжера), методи пошуку, що використовують евристики, що визначаються простором, часто перевершують будь-який універсальний метод, яким є ГА. При досить складному рельєфі функції пристосованості методи пошуку з єдиним рішенням у кожен момент часу, такий як простий метод спуску, могли «затикатися» в локальному вирішенні, проте вважається, що ГА, так як вони працюють з цілою «популяцією» рішень, мають менше шансів зійтися до локального оптимуму і робастної функціонують на багатоекстремального ландшафті.
Звичайно, такі гадки не пророкують строго, коли ГА буде ефективною процедурою пошуку, що конкурує з іншими процедурами. Ефективність ГА сильно залежить від таких деталей, як метод кодування рішень, оператори,...
