从解析法、枚举法到现在流行的遗传算法，算法也遵循着优胜劣汰的自然法则，落后的算法被淘汰，先进的算法则往往受到人们的追捧。解析法存在着诸多缺点，首先它要求目标函数是连续光滑及可微的，并且使用解析法最后得到的结果有可能只是在一定范围内的最优值并不是整个可行解域内的最优值，所以它并不能满足对背包问题的求解；枚举法虽然没有上述的这些缺点存在，但是由于其过低的计算效率，当面对需要特别大的搜索空间的实际问题时，枚举法就有点捉襟见肘了，因为它很难将所有情况一一列举出来。84422

而遗传算法解决问题的方式就与上面的方法迥然不同，遗传算法并不是直接操作问题的可行解，而是对每一种解进行编码，然后对编码之后的参数进行优化操作；并且它是以种群为进化单位，同时对种群内的多个个体进行并行操作，具有比枚举法高几十倍的搜索速度；它在不需要其他推导与附加信息的基础上，只需要通过目标函数计算出相应的适配值；这就造就了遗传算法具有良好的并行性、全局优化性和稳健性等显著特点[4]。

由于遗传算法具有这些突出特点，它被广泛地应用于各种优化问题中。近些年来，越来越多的学者都在研究遗传算法在算法设计的改进与执行策略的优化方面的内容，并且取得了尤为显著的成绩。然而对其基础理论方面的进展难以赶上算法发展的脚步。比如现在很重要的对遗传算法收敛性的研究，一直很难攻克，虽然已经有部分学者总结出一些针对某种特定遗传算法的收敛规律，但这具有相当的局限性，无法适用于更全面的问题。总之，当前还没有能够准确、全面地阐述遗传算法收敛性的完整理论，同样，在不同的实现条件下，遗传算法体现出来不同的收敛速度，也难以用正确的度量与论证方法来对其进行准确描述[4]。论文网

由于复杂问题的不断出现，特殊的问题和要求，也在促进遗传算法发生不断的改进。自适应遗传算法、免疫遗传算法、粒子群优化算法等新的算法不断涌现，以及新的理论基础也正不断的有人去补充，以解决遗传算法在现在研究中出现的问题。

1 国外研究历程

追溯到十九世纪七十年代，Holland教授就对进化算法进行了深入的探讨，并且在探讨的基础上史无前例的开创了遗传算法这个概念，这个说法适用时间很长久，甚至现如今也在使用。当然，从那个年代起，关于这个课题的论文也层出不叠，下文就举出一些例子：A。D。Bethke创作的“作为函数优化器的遗传算法”（密歇根大学，1980年）、T。E。Davis创作的“从模拟退火收敛理论向简单遗传算法的外推”（佛罗里达大学，1991年）等等[5]。

20世纪80年代到现如今，人类科学一直发展，对于遗传算法的需求和进化计算的完善也提出了更高的要求，因此这两个课题得到高效飞速的发展。以此为主体的国际会议也在世界各地召开。1985年，在美国卡耐基·梅陇大学召开了第一届国际遗传算法会议ICGA’85，以后该会议每隔一年举行一次[6]。

20世纪90年代以后，人们更加重视遗传算法的一些基本问题，DeJong称为“重访基本的假设”，这方面的研究内容主要有①表示和形态发生学；②拉马克算子等的引入；③非随机配对和物种形成；④分散的、高度并行的模型；⑤自适应系统；⑥共同进化系统[7]。

近年来，很多对遗传算法方面的的研究与最初由Holland提出的算法已大相径庭，现在的遗传算法已经使用了截然不同的遗传基因表达方式（编码），交叉和变异算子也发生了巨大的变化，甚至引入了特殊算子的使用，以及不同的选择和再生方法，但这些进化的算法产生的灵感都来自大自然的生物，所以我们用一个专业名词来表称它们——就是“算法簇”。由于人们对遗传算法研究的热情高涨，人们将关注的焦点投向了人工智能。有些学者甚至希望可以利用进化计算的方式使机器进化出智能，所以他们将进化计算是看作人工智能的未来，并对此进行了大量的研究。