Добиться того, чтобы алгоритм не останавливался в субоптимальных решениях, и не делал чрезмерно большого поиска при произвольных условиях, а возможно, и постановке задачи. В данный момент разработано множество стратегий, на основе которых создаются операторы, оказывающие давление на ГА с той или иной стороны. Часто, это модели природных процессов, таких как мутация (случайные изменения способствуют увеличению объема поиска, а главное, позволяют алгоритму «выходить» из локальных оптимумов) или такие модели выбора родителей как inbreeding (инбридинг) и outbreeding (аутбридинг) (для создания потомков выбираются наиболее похожие (inbreeding) и непохожие (outbreeding) родители, что тоже влияет на объем поиска). Но если воздействие одного оператора на поведение алгоритма можно предположить, руководствуясь здравым смыслом, а иногда и предсказать теоретически, то комбинации двух и более операторов, в общем случае, почти непредсказуемы, и мало изучены. Также, отдельной темой для изучения являются, так называемые, адаптивные операторы. Т.е. такие операторы, которые имеют двустороннюю связь с алгоритмом и могут изменять свое действие в зависимости от результатов.
Кроме оценки эффективности ГА, существует проблема оценки задачи. Исследователями постоянно предпринимаются усилия по четкому выделению ГА-разрешимых и ГА-неразрешимых задач, а также выведению свойств, необходимых и достаточных для вхождения в первый или второй класс. Эта проблема решена лишь отчасти.
Loading ...