函数优化（遗传算法的经典应用领域）；组合优化（实践证明，遗传算法对于组合优化中的NP完全问题，如0-1背包问题，TSP等，非常有效）；自动控制；
机器人智能控制；
组合图像处理和模式识别；
人工生命；
遗传程序设计；
二、遗传学基本概念与术语
三、遗传算法的基本思路
在开始介绍一个实例之前，有必要了解一下轮盘赌选择法，因为基本遗传算法就是用的这个选择策略。
轮盘赌选择又称比例选择方法．其基本思想是：各个个体被选中的概率与其适应度大小成正比．
具体操作如下：(1)计算出群体中每个个体的适应度f(i=1，2，…，M)，M为群体大小；(2)计算出每个个体被遗传到下一代群体中的概率；
(3)计算出每个个体的累积概率；
(4)在[0，1]区间内产生一个均匀分布的伪随机数r；(5)若r<q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]<r≤q[k] 成立；(6)重复(4)、(5)共M次
四、一个简单的实例
1. 产生初始种群
s1= 13 (01101)
s2= 24 (11000)
s3= 8 (01000)
s4= 19 (10011)
2. 计算适应度
假定适应度为f(s)=s^2 ，则
f (s1) = f(13) = 13^2 = 169
f (s2) = f(24) = 24^2 = 576
f (s3) = f(8) = 8^2 = 64
f (s4) = f(19) = 19^2 = 361
3. 选择
染色体的选择概率为：
染色体的累计概率为：
根据上面的式子，可得到：
例如设从区间［0, 1］中产生4个随机数:
r1 = 0.450126, r2 = 0.110347
r3 = 0.572496, r4 = 0.98503
4. 交叉
基本遗传算法（SGA）中交叉算子采用单点交叉算子。
单点交叉运算
5. 变异
6. 至下一代，适应度计算→选择→交叉→变异，直至满足终止条件
五、遗传算法应用
这里使用具体的应用例子：函数优化
问题的提出
一元函数求最大值：
用微分法求取f(x)的最大值：
可求得最大值点：f(1.85)=3.85
0. 编码
1. 产生初始种群
产生的方式：随机 产生的结果：长度为22的二进制串 产生的数量：种群的大小（规模），如30，50，… 1111010011100001011000 1100110011101010101110 1010100011110010000100 1011110010011100111001 0001100101001100000011 0000011010010000000000
2. 计算适应度
不同的问题有不同的适应度计算方法 本例：直接用目标函数作为适应度函数 ①将某个体转化为[-1,2]区间的实数： s=<1000101110110101000111> → x=0.637197 ②计算x的函数值（适应度）： f(x)=xsin(10πx)+2.0=2.586345
(0000000000000000000000)→-1 (1111111111111111111111)→2
第二步，x’对应的区间[-1,2]内的实数：
3. 遗传操作
选择：轮盘赌选择法； 交叉：单点交叉； 变异：小概率变异
模拟结果
设置的参数： 种群大小50；交叉概率0.75；变异概率0.05；最大代数200。 得到的最佳个体： smax=<1111001100111011111100>; xmax=1.8506; f(xmax)=3.8503;
运行结果
六、总结
编码原则完备性（completeness）：问题空间的所有解都能表示为所设计的基因型；健全性（soundness）：任何一个基因型都对应于一个可能解；非冗余性（non-redundancy）：问题空间和表达空间一一对应。
适应度函数的重要性 适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解。 一般而言，适应度函数是由目标函数变换而成的，对目标函数值域的某种映射变换称为适应度的尺度变换（fitness scaling）。
适应度函数设计不当有可能出现欺骗问题：（1）进化初期，个别超常个体控制选择过程；（2）进化末期，个体差异太小导致陷入局部极值。
欺骗问题举例：
可以想象一下，假设地球像类似灾难电影《后天》一样，出现有毒的雾霾，喜马拉雅山脉下有100只猴子（种群大小），只有爬上珠穆朗玛峰顶端的猴子才能生存下来，
因为喜马拉雅山脉有很多山峰，我们以高度作为适应度，case（1）：如果不在珠峰的猴子若比在珠峰半山腰的猴子要高，因为种群大小不变，在珠峰的猴子可能就会被淘汰；
case（2）：100只猴子都不在珠峰；
1. 选择的作用：优胜劣汰，适者生存；
2. 交叉的作用：保证种群的稳定性，朝着最优解的方向进化；
3. 变异的作用：保证种群的多样性，避免交叉可能产生的局部收敛；
下图很好地表现了遗传算法的精髓。
遗传算法的特点
自组织、自适应和自学习性在编码方案、适应度函数及遗传算子确定后，算法将利用进化过程中获得的信息自行组织搜索。
本质并行性内在并行性与内含并行性
不需求导只需目标函数和适应度函数
概率转换规则强调概率转换规则，而不是确定的转换规则
七、补充
因为遗传算法的每个操作对不同的应用选择的策略各有优劣，所以具体情况，具体分析，在此附上：
1. 选择
适应度计算：按比例的适应度函数（proportional fitness assignment）基于排序的适应度计算（Rank-based fitness assignment）
选择算法：轮盘赌选择（roulette wheel selection）
随机遍历抽样（stochastic universal selection）局部选择（local selection）截断选择（truncation selection）锦标赛选择（tournament selection）
2. 交叉
因为编码分二进制和浮点数编码，所以交叉和变异都有两类；
实值重组（real valued recombination）：
二进制交叉（binary valued crossover）：
3. 变异
实值变异二进制变异
另外，遗传算法背后的理论支撑——模式定理，可以在对遗传算法有深入研究和优化的时候再详看。