传统的优化算法主要有枚举法、启发式算法和搜索算法。如果问题的规模很大，传统优化算法将付出很大的代价甚至很难进行。遗传算法是以有限的代价来解决搜索和优化问题的通用方法，与传统算法相比有以下特点：
（1）遗传算法是按并行的方式搜索一个种群的解，而不是某个单解。其并行性表现在两个方面：①遗传算法是内在并行的，即遗传算法本身非常适合大规模并行，可以让成千台计算机各自进行独立种群的演化计算，运行过程中不需要进行任何通信，等到运行结束时才进行通信和比较，选取最佳个体；②遗传算法的内涵并行性，由于遗传算法采用种群的方式组织搜索，因而可同时搜索解空间内的多个区域，并相互交流信息。
（2）遗传算法具有自组织、自适应和自学习性。遗传算法在求解问题时，在编码方案、适应度函数及遗传算子确定后，算法将利用进化过程中获得的信息自行组织搜索。在进化过程中，采用“适者生存、不适应者被淘汰”的选择策略，适应度大的个体具有较高的生存概率。这种自组织、自适应特征，使遗传算法具有能根据环境变化来自动发现环境的特性和规律的能力。
（3）广泛的实用性。遗传算法只用适应度函数值来评价解的优劣，只需要影响搜索方向的目标函数和相应的适应度函数，而不涉及复杂的数学知识，也不关心问题本身的内在规律。因此，遗传算法可以处理任何复杂的目标函数和约束条件。(www.xing528.com)
（4）全局优化。由于遗传算法强调概率转换规则，而不是确定的转换规则，计算过程中采用的是概率搜索，而不是路径搜索，所以是概率意义上的全局搜索。因此，解决的问题无论是否为凸性的，理论上都能获得最优解，避免落入局部极小点。
（5）在多目标优化时，遗传算法对于给定的问题，可以产生许多潜在解，最终选择可以由使用者确定，这对于确认可替代解集而言是特别适合的。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
