遗传算法 - 应用领域
遗传算法主要用于各种优化问题,但也经常用于其他应用领域。
在本节中,我们列出了一些经常使用遗传算法的领域。这些是 -
优化- 遗传算法最常用于优化问题,其中我们必须在给定的一组约束下最大化或最小化给定的目标函数值。本教程强调了解决优化问题的方法。
经济学- 遗传算法还用于描述各种经济模型,如蜘蛛网模型、博弈论均衡解决、资产定价等。
神经网络- 遗传算法也用于训练神经网络,特别是循环神经网络。
并行化- 遗传算法还具有非常好的并行能力,并被证明是解决某些问题的非常有效的手段,也提供了一个很好的研究领域。
图像处理- GA 用于各种数字图像处理 (DIP) 任务以及密集像素匹配。
车辆路径问题- 具有多个软时间窗口、多个仓库和异构车队。
调度应用程序- GA 也用于解决各种调度问题,特别是时间表问题。
机器学习- 正如已经讨论过的,基于遗传学的机器学习(GBML)是机器学习的一个利基领域。
机器人轨迹生成- 遗传算法已用于规划机器人手臂从一点移动到另一点所采取的路径。
飞机的参数化设计- 遗传算法已被用于通过改变参数和发展更好的解决方案来设计飞机。
DNA 分析- GA 已用于使用样品的光谱数据确定 DNA 的结构。
多模态优化- GA 显然是非常好的多模态优化方法,我们必须找到多个最佳解决方案。
旅行商问题及其应用- 遗传算法已被用来解决 TSP,这是一个使用新颖的交叉和打包策略的众所周知的组合问题。