并行化遺傳算法研究綜述

馮智莉 易國洪,2 李普山 黎慧源 代 瑜

1(武漢工程大學(xué)計算機科學(xué)與工程學(xué)院 湖北 武漢 430205)2(武漢工程大學(xué)智能機器人湖北省重點實驗室 湖北 武漢 430205)

0 引 言

人工智能領(lǐng)域中，一個非常關(guān)鍵的問題是需要在非常龐大并且十分復(fù)雜的解空間中找到最優(yōu)解或者是近似最優(yōu)解。對這種NP-hard問題[1]，不恰當(dāng)?shù)乃阉鞣椒赡軙霈F(xiàn)組合爆炸的問題[2]，因此找到一個通用的搜索算法一直都受到相關(guān)領(lǐng)域研究人員的關(guān)注。

最優(yōu)化問題一般可以分成兩類：組合優(yōu)化問題和函數(shù)優(yōu)化問題[3]。其中：函數(shù)優(yōu)化問題即連續(xù)變量的優(yōu)化問題，目標(biāo)對象是指定區(qū)間的所有變量；而組合優(yōu)化的目標(biāo)對象則是在無限集中某一個符合要求的目標(biāo)答案，如旅行商問題[4]TSP 。目前對于函數(shù)優(yōu)化問題常見的解決策略是精確算法和智能優(yōu)化算法。精確算法包括:整數(shù)規(guī)劃[6]、動態(tài)規(guī)劃[7]、線性規(guī)劃算法[5]和分支定界[8-9]等，這些時間復(fù)雜性較大，適合用于小規(guī)模問題。智能優(yōu)化算法主要包括文獻[10]在1953年提出的模擬退火算法、文獻[11]于1973年提出的遺傳算法GA、文獻[12-14]于1986年提出的禁忌算法、文獻[15]于1992年提出的蟻群算法和文獻[16]以革新的方式使用神經(jīng)網(wǎng)絡(luò)方法。其中，以遺傳算法、模擬退火算法等為代表的指導(dǎo)性搜索法，以貪心算法[17]等算法為代表的局部搜索法，均借鑒了一些自然現(xiàn)象，以及人的思維活動來指導(dǎo)搜索活動的展開。遺傳算法優(yōu)勢在于：可以快速地將解空間中的全體解搜索出，全局搜索能力優(yōu)秀[18]，克服了其他算法的快速下降陷阱問題；適合分布式計算，天然并行性加快了收斂速度。但是相對的，遺傳算法局部搜索能力不足，簡單遺傳算法耗時長，在進化后期搜索效率較低[19]，所以存在一定的早熟收斂的風(fēng)險。遺傳算法的難點是采用何種選擇方法，在充分保留好的個體的同時，又要維持群體的多樣性。

1 基本概念和主要環(huán)節(jié)討論

遺傳算法是諸多進化算法中的一種。模擬了自然界中生物自然淘汰的進化過程，學(xué)習(xí)不僅可以通過單個生物個體的適應(yīng)來完成，還可以通過種群的進化來實現(xiàn)，并將其運用到計算機模型之中[20]。Darwin 進化論中適者生存的原理認為，每一代種群最終都會越來越適應(yīng)環(huán)境。每一個個體都會繼承但不完全繼承父輩的特性，自身會隨機的產(chǎn)生一些新特性，只有高度適應(yīng)環(huán)境的個體才能被保留下來。遺傳算法從代表問題中生成一個或多個初代解集(種群)，解集中的解又被稱之為個體，個體本質(zhì)上是帶有特征的實體，經(jīng)過基因編碼來實現(xiàn)。經(jīng)過適應(yīng)函數(shù)篩選的個體形成的新的種群，遺傳算法不斷地評價每一個個體，保證更適應(yīng)環(huán)境的個體擁有更多的繁殖機會。遺傳算法放棄了梯度信息，重視的是種群之間的搜索策略，以及個體信息在種群內(nèi)的交換，克服了傳統(tǒng)搜索算法難以解決非線性復(fù)雜問題的缺點，具有適合并行處理、魯棒性強、簡單通用、搜索能力強和運用范圍廣的特點[20]。目前已經(jīng)廣泛地運用在自適應(yīng)控制、機器學(xué)習(xí)、組合優(yōu)化、人工生命等領(lǐng)域。

在遺傳算法中，問題的解(表現(xiàn)型)所組成的群體(種群)會朝著更加適應(yīng)環(huán)境的方向變化。每個候選解都有一組屬性(個體染色的編碼信息)，屬性會根據(jù)一定的比例或者規(guī)則被突變和切割連接。完整的進化通常從隨機生成的個體群體開始，是一個迭代過程，每個迭代中的群體稱為一代。每一代都要用適應(yīng)度函數(shù)(通常是目標(biāo)函數(shù))來衡量篩選更適應(yīng)環(huán)境的個體；從經(jīng)過選擇的個體中對其基因組進行修飾(重組并且可能隨機突變)，將獲得的新的個體組成新的一代；在種群成熟之前，算法會不斷地迭代，并可能使用不同的候選解決方案。通常情況下，經(jīng)過數(shù)代進化工作，該算法終止時，基本可以得到令人滿意水平的個體。

基本遺傳算法的形式描述如算法1所示。

算法1遺傳算法

1: 初始化一個解集，并評估每個個體的適應(yīng)度

2: Repeat

3: 通過適應(yīng)度函數(shù)篩選出部分個體

4: 按照“適應(yīng)度越高，被選中的可能性越高”的原則，以一定的比例選擇部分個體進行雜交，產(chǎn)生子代

5: 按照一定比例選擇部分個體進行變異操作

6: until 新種群產(chǎn)生

2 遺傳算法并行化策略

當(dāng)問題的規(guī)模和復(fù)雜程度不斷增加以后，遺傳算法收斂到全局最優(yōu)所花費的時間也更長。遺傳算法具備天然的并行性，并且并行機目前也比較普及，為遺傳算法的并行化奠定了基礎(chǔ)。常見的并行化策略主要有以下幾點：

(1) 適應(yīng)度評價函數(shù) 個體適應(yīng)度評價需要占用一定的時間，提升計算個體適應(yīng)度的效率，可以通過研究并行化遺傳算法的適應(yīng)函數(shù)，找到并行計算個體適應(yīng)度函數(shù)的恰當(dāng)表達方式，可以有效地提升遺傳算法的選擇效率。該方法依賴于數(shù)值的開發(fā)成果和并行化研究。

(2) 產(chǎn)生新種群 前文已經(jīng)提到遺傳算法中個體的選擇是同時完成的，不同個體的適應(yīng)度相互獨立的，彼此之間互不影響。在適應(yīng)度函數(shù)評價個體的時候可以采用并行化策略，因此，計算個體適應(yīng)度可以分發(fā)給不同的機器上完成。同理，簡單遺傳算法的交叉、變異過程都可以實現(xiàn)并行化。

(3) 種群分組 前面的方法主要還是根據(jù)遺傳算法本身的特點進行改進。需要注意的是：可以將一個遺傳算法用在多個種群上，例如可以將遺傳算法放在集群環(huán)境中，同時處理多個種群。將種群分組則對簡單遺傳算法的結(jié)構(gòu)進行改進，在并行機上實現(xiàn)起來相對來說也更加簡單。

2.1 四種基本模型

運用分而治之的思想，文獻[21]最早在大型的并行計算機上應(yīng)用并行遺傳算法PGAs(Parallel Ge-netic Algorithms)。同時分而治之的思想有多種實現(xiàn)途徑，目前并行化遺傳算法主要有4類模型：主從模型、孤島模型、鄰域模型、混合模型。

(1) 主從模型 主從模型易于實現(xiàn)，是遺傳算法的直接并行化方案之一。僅有一個種群，種群的選擇交叉變異等操作都在主節(jié)點機上完成，適應(yīng)度的評價在從節(jié)點機完成。從節(jié)點接收主節(jié)點發(fā)送過來的個體，主節(jié)點獲得從節(jié)點計算的個體適應(yīng)度值。文獻[22]設(shè)計了基于MPI的可重用的主從式PGAs框架；文獻[23]將主從PGAs運用到模糊關(guān)聯(lián)規(guī)則的挖掘算法，加速性能比提升了19.1%。

當(dāng)模型需要大量的計算適應(yīng)度的工作的時候就可以采用這種并行化方案，但是也存在著主節(jié)點和從節(jié)點之間通信延遲或者瓶頸問題，負荷不均勻的問題等，導(dǎo)致并行失效。

(2) 孤島模型 孤島模型又被稱為分布式模型或者粗粒度模型，這種模型適合如Transputer的多處理機系統(tǒng)的MMD機器或者是集群環(huán)境。先依照節(jié)點機的個數(shù)分布成多個種群(或者是子群體)，子群體在自己所在的節(jié)點機上運行GA，在經(jīng)歷一定的進化代數(shù)(進化時間)以后，子群體交換部分個體，豐富了子群體的多樣性，降低了未成熟就收斂的可能。目前孤島模型的研究熱點主要是確定遷移規(guī)模、遷移拓撲以及遷移策略問題。文獻[24]將粗粒度并行遺傳算法與動態(tài)規(guī)劃相結(jié)合，孤島模型的加速比提升，且通信開銷較小。文獻[25]將遺傳規(guī)劃算法與粗粒度并行遺傳算法結(jié)合，并用語言數(shù)據(jù)實驗證明新算法的預(yù)測誤差更低。

(3) 鄰域模型 鄰域模型，或稱細粒度模型，常用于連接機或者是多處理器系統(tǒng)陣列式SIMD系統(tǒng)的機器。該模型對于每個個體都在所在的處理機或者是鄰域處理機上完成，幾乎沒有全局操作，充分展現(xiàn)了遺傳算法的特性。鄰域模型中的每一個處理機都只分配一個個體，將一個個體視為一個子群體，子群體只和鄰接子群體交換信息。在文獻[26]中提出了基于GPU的細粒度并行化遺傳算法，提升了算法的運行速度。文獻[27]提出了細粒度模型在Hadoop的MapReduce上并行編程求解最短路徑，取得了優(yōu)于經(jīng)典遺傳算法的效果。

鄰域模型的關(guān)鍵是采用什么樣的鄰域結(jié)構(gòu)，因為鄰域結(jié)構(gòu)極大地影響了個體在種群當(dāng)中的傳播路徑以及個體的空間位置。目前采用什么樣的鄰域拓撲最優(yōu)尚無權(quán)威說法。根據(jù)Shapiro B的理論，在海明距離r>2的時候，效果較差，并且通過對r內(nèi)所有鄰域?qū)嶒灪蟀l(fā)現(xiàn)4鄰域模型比8鄰域模型效果更好。

(4) 混合模型 近幾年來出現(xiàn)了較多的混合模型，主要是將前三種基本模型進行整合形成新的層次結(jié)構(gòu)。例如混合模型中有：細粒度-粗粒度模型、粗粒度粗粒度模型以及粗粒度-主從式模型，上層模型將下層并行結(jié)構(gòu)模型視為一個種群，下層模型中的子群體則是真實的子群體(種群)。一般來說下層模型中內(nèi)部信息交換量比較大。文獻[28]提出了一種分層遺傳算法解決了作業(yè)車間調(diào)度問題。

以上的模型根據(jù)其自身的特點來說，各有優(yōu)劣。主從模型適合計算時間主要在評估適應(yīng)度環(huán)節(jié)的問題，使用范圍有限。細粒度模型對處理機的要求比較高，目前就適用于小范圍直徑還是大規(guī)模鄰域尚有爭議。粗粒度模型的通信開銷小，加速比呈線性，因此使用范圍比較廣，適合在通信帶寬低的集群環(huán)境上運行，不過，目前對采用什么樣的遷移策略和遷移規(guī)模來說仍然有待進一步的研究?；旌夏Ｐ鸵驗槠渚哂休^好的并行性，是當(dāng)前研究的主流模型，在混合模型當(dāng)中，粗粒度-主從式模型運用效果較好[29]。

常見的實現(xiàn)并行化遺傳算法的并行機主要有多數(shù)據(jù)流、多指令流的MIMD機器，粗粒度的并行計算機，多數(shù)據(jù)流、單指令流的SIMD機器，細粒度的并行計算機等，還可以在局域網(wǎng)環(huán)境或者是集群環(huán)境下實現(xiàn)并行算法。需要根據(jù)具體的實現(xiàn)方法來選用不同的硬件環(huán)境。

2.2 并行化性能評估標(biāo)準(zhǔn)

加速比是評級多核架構(gòu)性能的主要參數(shù)。加速比是串行和并行時間的耗時比。例如并行耗時5.9單位，串行耗時95.1單位，那么加速比即為16.12。依據(jù)多核處理器加速比已有的研究，現(xiàn)在對并行化遺傳算法的評價模型進行介紹。

2.2.1 固定任務(wù)模型

評價并行化遺傳算法的性能的指標(biāo)有很多，其中最常見的就是Amdahl定律中的加速比。

原始的加速比的原理如下：假設(shè)有p個并行機，可以組成一個性能更高的并行化運行平臺。單個計算節(jié)點的運算速度(即性能)為1，p個計算節(jié)點所創(chuàng)建的結(jié)構(gòu)的串行性能為pref(p)。已知加速比為串行運行時間與并行運行時間之比，即：

(1)

式中：T1是串行計算所需的時間；Tp是該算法在p個處理機組成的并行機上的運行時間；Sp即為加速比。

假設(shè)問題為w，單個計算節(jié)點執(zhí)行任務(wù)的時間即為：

并行化運行平臺的基本執(zhí)行時間為：

(2)

(3)

令perf(p)=c,c為常數(shù)，則有：

(4)

式(4)在c=1的時候就是大型機之父的理論解析式，系統(tǒng)功效提高的程度和總執(zhí)行時間以及執(zhí)行方式有關(guān)：

(5)

f是并行處理部分在整個系統(tǒng)中的占比；對應(yīng)的，(1-f)就是串行處理的部分在整個系統(tǒng)中的占比。m是并行處理機的數(shù)量，Speedup即為加速比。固定模型的三維圖解變化趨勢如圖1所示。

圖1 固定任務(wù)模型加速比變化趨勢圖

該定律主要適用于負載固定的情況，例如在主從式模型中可以得到幾乎呈線性的加速比；而在孤島模型當(dāng)中，當(dāng)群體規(guī)模恒定，子群體的規(guī)模與數(shù)量不成正比的時候，其加速與主從式模型加速比相同。目前該定律在鄰域模型中運用的較少[29]。

2.2.2 固定時間模型

文獻[30]于1988年提出了Gustafson定律。

假設(shè)原始任務(wù)為w,比例擴增任務(wù)為w′，在同等的時間內(nèi)，p核并行和串行完成的任務(wù)相同，則有：

w′=(1-f)w+fmw

(6)

那么：

(7)

固定時間的三維模型圖解變化趨勢如圖2所示。

圖2 固定時間模型加速比變化趨勢圖

2.2.3 其他模型

文獻[31-32]結(jié)合實際問題給出了其他兩種評價指標(biāo)：(1) 改進了Amadahl定律的加速比，先確定一個適應(yīng)度指標(biāo)，當(dāng)個體適應(yīng)度高于此指標(biāo)的時候，穿行計算的時間與并行計算的時間之比為加速比。(2) 計算并行運算和串行運算獲得個體的最高適應(yīng)度的差值大小。

另外還可以設(shè)計多個指標(biāo)，例如增加平均進化代數(shù)、平均計算時間等因素，設(shè)計成具有不同集合特點的測試函數(shù)來比較不同模型之間的優(yōu)劣。

3 遺傳算法的研究和未來發(fā)展方向

本文重點考察了近五年國內(nèi)外工程技術(shù)人員以及相關(guān)領(lǐng)域研究者在遺傳算法方面的研究情況，數(shù)據(jù)來自2013年-2017年已發(fā)表在核心期刊上的“工業(yè)技術(shù)類”有關(guān)遺傳算法的研究。圖3是遺傳算法在包含函數(shù)優(yōu)化、生產(chǎn)調(diào)度、自動控制、圖像處理、人工智能、遺傳編程、數(shù)據(jù)挖掘、機器學(xué)習(xí)以及遺傳算法綜述以內(nèi)10個方向的應(yīng)用，圖4是遺傳算法在編碼策略、遺傳算子、物種多樣性、測試函數(shù)、收斂性、欺騙問題和綜述等7個方面文獻的統(tǒng)計結(jié)構(gòu)。

圖3 2013年-2017年遺傳算法應(yīng)用領(lǐng)域分布柱形圖

圖4 2013年-2017年遺傳算法研究領(lǐng)域分布柱形圖

根據(jù)圖3、圖4可以得到如下結(jié)論：

就應(yīng)用領(lǐng)域而言，遺傳算法的主要應(yīng)用方向集中在機器人學(xué)、數(shù)據(jù)挖掘和機器學(xué)習(xí)方面。在生產(chǎn)調(diào)度中的應(yīng)用基本呈現(xiàn)出逐年增加的趨勢。

就研究方向而言，遺傳算法研究的熱門在遺傳算子、測試函數(shù)、收斂性和編碼策略上。相比而言，在物種多樣性和欺騙問題上研究成果不多，有待更深層次的研究。

整體而言，2016年以前遺傳算法領(lǐng)域的研究持平，說明遺傳算法仍然是機器學(xué)習(xí)領(lǐng)域和數(shù)據(jù)挖掘領(lǐng)域的研究關(guān)鍵點。加上真正有效的成果在總體的研究成果中占比較少，因此遺傳算法仍然是一個值得進行深入研究的領(lǐng)域。

遺傳算法具有魯棒性強的特點，即可以用一個通用的框架來系統(tǒng)的解決優(yōu)化問題，目前已經(jīng)取得了較多的成果。在研究應(yīng)用方向?qū)用?，函?shù)優(yōu)化是評價遺傳算法的基本算例，多樣化的測試函數(shù)有助于體現(xiàn)算法的性能和效果。文獻[33]提出了一些多極值并具有最優(yōu)點的函數(shù)。對于如背包問題、布局優(yōu)化、旅行商問題、圖形劃分等NP-hard問題，解空間急劇上升，已經(jīng)不能用枚舉法或是暴力求解法解決問題。文獻[34-36]成功地將遺傳算法運用到求解TSP問題上，文獻[37-39]分別將遺傳算法運用到了排課問題、車間作業(yè)調(diào)度問題上。在自動控制方面，文獻[40]用遺傳算法優(yōu)化了航空控制系統(tǒng)，文獻[41]利用遺傳算法對模糊控制器進行了優(yōu)化。在機器人方面，遺傳算法也被廣泛的運用，例如文獻[42]將遺傳算法運用到機器人移動的路徑規(guī)劃。圖像處理對降低圖像分割、掃描等操作的誤差有一定的要求，因此可以用遺傳算法進行優(yōu)化計算。文獻[43-45]分別將遺傳算法運用到漢字識別、圖像恢復(fù)和圖像邊緣特征提取上。在機器學(xué)習(xí)領(lǐng)域，遺傳算法可以通過學(xué)習(xí)模糊控制規(guī)則來改進模糊系統(tǒng)的功能，文獻[46-47]已經(jīng)將遺傳算法用來調(diào)整CNN的連接權(quán)，以達到優(yōu)化CNN結(jié)構(gòu)的效果。另外數(shù)據(jù)挖掘問題也可以轉(zhuǎn)換成最優(yōu)解的搜索問題，數(shù)據(jù)庫就是搜索空間，遺傳算法隨機產(chǎn)生一組規(guī)則，當(dāng)不斷進化的規(guī)則可以全面覆蓋數(shù)據(jù)庫的時候則進化完成[46]。文獻[48]中已經(jīng)開發(fā)出相應(yīng)的數(shù)據(jù)挖掘工具，主要是基于遺傳算法的思想，對失事飛機的數(shù)據(jù)進行數(shù)據(jù)挖掘，結(jié)果證明這種方法十分有效。

在研究領(lǐng)域，編碼方式是遺傳算法的關(guān)鍵之一，遺傳算法之父Holland建議用二進制。文獻[49]提出了多目的進程調(diào)度二進制編碼方式，強調(diào)識別關(guān)鍵產(chǎn)品、單位、任務(wù)，僅將少部分變量進行二進制編碼。文獻[50]提出混沌gary編碼方式，對于多參數(shù)的優(yōu)化問題來說實數(shù)編碼的效果更好。文獻[51]針對實數(shù)編碼僅適用于連續(xù)變量問題，提出了將混沌變異與映射到量子位的實數(shù)染色體交叉的編碼方式。文獻[52]為了減低早熟的概率，將復(fù)數(shù)的思想運用到遺傳算法的編碼方式中。文獻[53]提出了基于動態(tài)相似度的零件族編碼，優(yōu)化了遺傳算法的收斂時間和編碼長度。

遺傳算法的關(guān)鍵主要在于交叉、選擇、變異算子的設(shè)計。文獻[54]提出了局部搜索能力納入選擇算子，提升了算法在不可能解的領(lǐng)域找到可行解的幾率。文獻[55]設(shè)計了一種局部競爭選擇算子，為避免陷于局部最優(yōu)的問題，通過強調(diào)個體差異保證了種群的多樣性。文獻[56]將模擬退火算法運用到選擇算子中，提升了算法的穩(wěn)定性。文獻[57]提出了拉普拉斯交叉算子，達到實現(xiàn)遺傳算法穩(wěn)定高效的搜索的效果。文獻[58]通過高斯分布概率調(diào)整了實數(shù)編碼的交叉算子。文獻[59]提出了單親遺傳算子，確保最終一定找到可行解。文獻[60]提出了功率變異算子。文獻[61]設(shè)計了定向編譯算子，提升了交互遺傳算法的性能。文獻[62]提出了貪婪子循環(huán)算子，提升了遺傳算法在TSP問題中的性能。

遺傳算法中涉及到位串、交叉概率、變異概率和群體規(guī)模等參數(shù)的設(shè)計。文獻[63]設(shè)計了一套模糊規(guī)則，在線動態(tài)地改變交叉概率和變異概率。文獻[64]則用條件發(fā)生器來產(chǎn)生交叉和變異概率，具備一定的穩(wěn)定傾向性和隨機性。文獻[65]通過大量實驗提出了針對調(diào)度問題的最佳遺傳算法參數(shù)。文獻[66]針對遺傳算法存在的早熟問題，提出了遺傳優(yōu)勢原則，讓交叉概率和編譯概率自適應(yīng)的改變。

收斂性是優(yōu)化問題的重要考核指標(biāo)，目前主要是運用Markov鏈來證明遺傳算法的全局收斂性。文獻[67]闡明了遺傳算法收斂性的定義，并提出了新算法解決多峰值優(yōu)化過早收斂問題。文獻[68]運用齊次Markov鏈證明了當(dāng)保留了上一代最優(yōu)個體的經(jīng)典遺傳算法可以收斂到全局最優(yōu)。文獻[69]闡明了遺傳算法出現(xiàn)早熟問題的原因，提出了新的遺傳算法收斂理論。

建筑塊理論認為在遺傳過程中低階短距、適應(yīng)度高的模式將會以指數(shù)級別增長，并轉(zhuǎn)變成高階長距、適應(yīng)值高的模式。但受到“欺騙條件”的影響，最終可能會形成非最優(yōu)模式，導(dǎo)致問題最終無法收斂到全局最優(yōu)解，這就是欺騙問題。文獻[70]給出了模式欺騙和遺傳算法欺騙問題的定義，并討論了欺騙問題和收斂性和并行性的問題。文獻[67]提出了解決連續(xù)性欺騙問題的定向變異算子。文獻[71]計算了部分領(lǐng)域的遺傳算法解決完全欺騙問題的所需的平均值時間。

4 結(jié) 語

遺傳算法為解決復(fù)雜優(yōu)化問題提供了通用模板，是近些年進化算法研究的熱點之一。同時統(tǒng)計數(shù)據(jù)還表明遺傳算法已經(jīng)漸漸走向了應(yīng)用，目前已經(jīng)較為廣泛地運用在數(shù)據(jù)挖掘的技術(shù)中，改進也是當(dāng)前遺傳算法的研究熱點。縱觀遺傳算法的研究方向可以發(fā)現(xiàn)，主要仍集中于機器學(xué)習(xí)和數(shù)據(jù)挖掘等方面，并呈現(xiàn)出逐年增加的趨勢，但是在機器學(xué)習(xí)領(lǐng)域?qū)嶋H應(yīng)用成果方面并不豐富。因此還存在進一步的發(fā)展空間，在欺騙問題等理論問題研究方面尚有欠缺。整體來看遺傳算法還有相當(dāng)?shù)陌l(fā)展空間，未來發(fā)展主要集中在以下幾個方面：

1) 遺傳算法未來會在并行化方面進一步發(fā)展。目前數(shù)據(jù)挖掘的運用較多，并行化遺傳算法能夠顯著地提升運算速度，有較高的應(yīng)用價值。

2) 遺傳算法目前在欺騙問題、參數(shù)設(shè)定等理論性研究方面尚顯不足。這限制了遺傳算法更深層次的發(fā)展，因此未來遺傳算法的研究重點可能會更多的出現(xiàn)在理論方面，建立起相應(yīng)的數(shù)學(xué)基礎(chǔ)。

3) 遺傳算法會與其他技術(shù)進一步融合。因為遺傳算法的局部搜索能力較弱，存在著早熟收斂的風(fēng)險，需要和其他能夠快速局部收斂算法相結(jié)合才能實現(xiàn)更有效的收斂策略，這需要大量的實驗和理論研究來實現(xiàn)。

4) 算法的早熟機理、參數(shù)設(shè)置的理論指導(dǎo)、收斂速度等理論研究可能會成為后進的研究熱點。這些理論將指導(dǎo)算法發(fā)展的方向，目前還有很多不足，因此仍然有發(fā)展的空間。

5) 并行化理論研究方面未來會更加深入。遺傳算子之間相互獨立，個體與個體之間的適應(yīng)度選擇過程也都相互獨立，具備并行化的天然優(yōu)勢。設(shè)計對應(yīng)的并行策略和并行遺傳算子，建立相應(yīng)的數(shù)學(xué)基礎(chǔ)，尤其是在數(shù)據(jù)挖掘領(lǐng)域，顯得十分必要。