Генетски алгоритми сухеуристичке, стохастичке методе оптимизације које је Холланд први пут предложио 1975. године. Они су засновани на идеји еволуције са природном селекцијом, коју је предложио Дарвин.
Генетски алгоритми раде са многимпојединци, односно популација у којој сваки појединац може послужити као решење одређеног проблема. Сваки појединац мора бити оцењен степеном своје кондиције, у зависности од тога колико је добро решење проблема који му одговара. Ако ово узмемо у обзир са природом, оцењује се степен ефикасности организма у надметању за ресурсе. Појединци који су приметно боље прилагођени могу репродуковати потомство укрштањем са другим представницима становништва. То постаје разлог за појаву нових појединаца, који комбинују неке карактеристике које су наслеђене од њихових родитеља.
Мање способни појединци моћи ће да се репродукујупотомци су мање вероватни, тако да ће својства која поседују постепено нестати током еволуције из целе популације. Понекад постоје спонтане промене гена или мутације. Испада да ће се добре карактеристике проширити на целокупну популацију из генерације у генерацију. Укрштање појединаца који највише одговарају води до чињенице да се истражују локације за претраживање које представљају највећу перспективу. На крају је пронађено решење проблема. Предност генетских алгоритама је у релативно кратком временском периоду у проналажењу апроксимативних решења. Вриједно је размотрити ово питање у вези с програмирањем.
Генетски алгоритми су састављени од следећих компоненти:
- хромозом, који је решење проблема који се разматра, састоји се од гена. Ова популација хромозома сматра се почетном;
- скуп оператора (намењен генерисању нових решења на основу нове популације);
- објективна функција (дизајнирана за процену подобности решења).
За генетске алгоритме постојистандардни сет оператора: избор, мутација и укрштање. Примену генетских алгоритама можете размотрити тако што ћете разјаснити чему је одређени оператер намењен. Оператор одабира бира хромозоме у складу са вредностима њихових фитнес функција. Најмање два најпопуларнија оператера овде су представљена: турнир и рулета. Метода рулета подразумева избор појединаца са н стартања. За сваког члана популације који се користи, точак са рулетом садржи један сектор потребне величине. Припадници популације са изразито вишим индексом кондиције са овом селекцијом бирају се чешће од представника са слабом кондицијом. У методи турнира се имплементира н турнира, што вам омогућава одабир н појединаца. Сваки турнир заснован је на узорку к елемената из популације, а међу њима треба одабрати најбољег појединца.
Ако наставимо да размотримо алгоритмепрограмирање, вриједи рећи о методи која се назива цроссбреединг. Оператор кросовера размењује делове хромозома између пара или хромозома у једној популацији.
Последњи оператер, мутације, је стохастичка промена дела хромозома.
Специфично разматрање примене генетских алгоритама је обимнији материјал него што се може наћи у чланку, па га треба размотрити одвојено.
