створення початкового безлічі конкуруючих між собою рішень оптимізаційної задачі. Потім ці В«батьківськіВ» рішення створюють В«нащадківВ» шляхом випадкових і спрямованих змін. Після цього оцінюється ефективність рішень, і вони піддаються селекції. Як і в ЄС, тут діє принцип В«виживання найсильнішихВ», найменш пристосовані рішення В«гинутьВ», а потім процес повторюється знову. p align="justify"> ГА залежно від розміру популяції поділяють на:
. стаціонарного стану;
. поколенческие.
У стаціонарних ГА розмір популяції є вхідним постійним параметром, що задається ОПР. У поколенческих ГА дозволяється збільшувати або зменшувати розмір популяції у кожній наступній генерації. Слід зазначити, що мова в основному йде про появу Np + N 1 нащадків (N 1 >> 1), перш ніж починає реалізовуватися оператор відбору, що усуває N 1 хромосом з меншою ЦФ. Запитання видалення В«зайвихВ» хромосом, як в стаціонарних, так і в поколенческих ГА, засновані на декількох евристиках:
. випадкове равновероятно видалення хромосом;
. видалення N 1 хромосом, мають гірше значення ЦФ ;
. видалення хромосом на основі назад пропорційного значення ЦФ;
. видалення хромосом на основі заданої турнірної стратегії.
Можна запропонувати ще ряд евристик видалення, але видалення найгірших хромосом може привести до передчасної втрати різноманітності і, отже, до потрапляння ЦФ в локальний оптимум. Залишення в популяції великої кількості хромосом з В«поганоюВ» ЦФ призведе до сліпого пошуку. p align="justify"> Виділяють три особливості алгоритму еволюції:
. кожна нова популяція складається тільки з В«життєздатнихВ» хромосом;
. кожна нова популяція В«кращеВ» (у сенсі ЦФ) попередньої;
. в процесі еволюції подальша популяція залежить тільки від попередньої.
Традиційні оптимізаційні алгоритми для знаходження кращого рішення використовують велику кількість припущень при оцінці ЦФ. Еволюційний же підхід не вимагає таких припущень. Це розширює клас задач, які можна вирішувати за допомогою еволюційного моделювання. Згідно з існуючими дослідженням можна сказати, що еволюційні методи ярма дозволяють вирішувати ті проблеми, вирішення яких традиційними оптимізаційними алгоритмами скрутно. p align...
