遗传算法自提出以来早已引起了国内外学者们的关注，其在算法应用与理论研究方面如今已取得了较丰硕的研究成果。
首先，基于遗传算法是通过模拟自然演化过程从而达到全局概率搜索优化的一种算法，它针对染色体而非决策变量本身进行遗传操作，并对优化函数没什么要求。因而，遗传算法在很多领域都得到了广泛应用。23206
 
图1-1 遗传算法基本实现步骤
1. 数值函数优化
这是遗传算法应用最早且最多的领域，具体又可以分成约束优化、多文函数优化、多目标函数优化、动态函数优、多模态函数优化化等，数值函数优化是遗传算法较典型的一种应用领域，也是对遗传算法进行性能评估的常用平台[3]。由此产生了很多复杂的测试函数，比如含有不确定性的动态优化函数、连续函数和离散函数、多峰函数和单峰函数、低文函数和高文函数、凹函数和凸函数及多目标优化函数等等。对一些非线性、多目标、多模态的函数优化问题，倘若使用一些传统的方法可能很难求出满意的解，但遗传算法却能迎刃而解。
2. 组合优化论文网
在我们生活和工作当中，我们时常能遇到关于组合优化的问题，并且随着问题复杂度的增加，其搜索空间也相应增加，在较先进的计算机上用枚举法也不一定能解决。但对于这类复杂问题，人们已意识到应退而求其次，把目光放在寻求满意解或是近似最优解上，遗传算法便是现在常被使用的有效方法之一。通过研究表明，遗传算法对组合优化中的NP问题非常得有效，比如二次分配问题、装箱问题、背包问题、最小生成树问题、商旅问题、集合覆盖问题和调度问题等[3]。
3. 工作领域
在工作领域中存在着大量优化问题，比如车辆运输问题、机器人控制、电力系统、车间调度和参数辨识等，遗传算法在这些领域内都得到了广泛应用。
4. 与其他智能算法的结合
优化神经网络的权值和结构、模糊逻辑系统的参数与规则、与粒子群、蚁群等优化算法相结合，改善算法性能和扩展应用领域等等。
对于遗传算法的各项研究促进了人们对其他方法的研究。针对传统遗传算法所存在的不足之处，比如适应度函数的设计、决策变量的编码方案、遗传操作及其参数等关键部分的设定还拥有很大的主观性和经验性；进化的结果一般对参数的初始条件与初始种群具有一定的依赖性；不适当的遗传操作容易导致进化种群因失去多样性而早熟收敛；决策变量编码长度的增加会导致种群收敛速度的降低；对于复杂的优化问题，冗长的决策变量编码会导致进化时间过长而失去其实用价值等方面，人们提出了大量的改进方法，比如各种多种群遗传算法、自适应遗传算法、协同进化遗传算法等。
另外其他分支的进化优化算法和遗传算法的机制具有一定相似性，其生物学基础都是基于达尔文的“优胜劣汰”理论。这些进化优化算法对优化对象的“优劣”比较利用的是具有明确定义的适应度函数，再通过计算机得出具体数值作为个体适应值的方式实现的，而上述适应度函数则必须要依靠待优化问题的优化目标函数来获得，因而，传统的基于适应度函数的进化优化算法只能解决性能指标具有明确函数表示的优化问题。[3]
从上文中对于遗传算法的了解我们了解到遗传算法是强调目的性的算法,主要用于各个领域中的优化问题，是一种讲求优胜劣汰，适者生存的基本思想的搜索算法，它通过把实际问题模拟成生物的遗传行为，让问题能够得以解决，亦或是做出改，以求得满意解。在函数优化、组合优化和生产调度等领域得到成功的应用。本课题就是基于寻优的思想给出进化计算的综述及基本的寻优机制，进而给出遗传算法及其改进算法的基本寻优思想。运用MATLAB 完成对遗传算法及其改进算法的设计与仿真，并利用标准函数来完成对以上算法性能的比较。 遗传算法的国内外研究现状:http://www.youerw.com/yanjiu/lunwen_16158.html