jacky
优点：
1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。
另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习作找前探放定、数据挖掘等领域。
2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导口求代写科流需连编裂求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。
3、遗传算法具算但移有群体搜索的特性。它的屋你搜索过程是从一个具有多个个体次于却前想凯国的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。
另一方面由于传统的单点搜索方法在对考毫当牛际五盾多峰分布的搜索空间进行搜索时很容易陷入构事确直宣氧虽过局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可立率整缩轮部以体现出遗传算法的并行化和较好的全局为一呼使航皇己待普生搜索性。
4、遗传算法息两出成培庆应那基于概率规则，而不是确定性接的强天规则。这使得搜索更为头东灵活，参数对其搜索效果的影响也尽可能的小。
5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。
缺井煤联见线者点：
1、遗传算法在进行编码时容易出现不规范不准确的问题。
2、由于单一的遗传算法编码粮注措杨权剂除愿不能全面将优化问题的约束表示出务硫钢尔浓表补基调极官来，因此需要考虑对不可行解采用阈很胞放继血星值，进而增加了工作量和求解时间。
3、遗传算法效率通常低于其他传统的优化方法。
4、遗传算法容易出现过早收敛的问题。
扩展资料
遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。
函数ga：[x,fval,reason]=ga(@fitnessfun,nvars,options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。
为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1','PropertyValue1','PropertyName2','PropertyValue2','PropertyName3','PropertyValue3',...)通过这个函数就能够实现对部分遗传算法的参数的设置。
参考资料来源：
