مسائل بحرانی در الگوریتم تکاملی
هنگام طراحی و اجرای یک الگوریتم تکاملی باید مواردی را در نظر داشت. این ملاحظات مربوط به همه "گویش‌ها" است و در اینجا به طور کلی بدون در نظر گرفتن نوع خاصی از الگوریتم تکاملی مورد بحث قرار خواهد گرفت.
یکی از مسائل مهم هنگام اجرای EA این است که سعی کنید تنوع ژنتیکی[2] جمعیت را تا زمانی که ممکن است حفظ کنید. برخلاف بسیاری از روش‌های بهینه‌سازی دیگر، EAها از یک جمعیت کامل از اعضا استفاده می‌کنند - و این یکی از دلایل قدرت آنهاست. با این حال، اگر آن جمعیت شروع به تمرکز در یک منطقه بسیار باریک[3] از فضای جستجو کند، تمام مزایای مدیریت اعضا مختلف از بین می‌رود، در حالی که بار محاسبه برازش آنها باقی می‌ماند. این پدیده به همگرایی زودرس[4] معروف است. دو جهت اصلی برای جلوگیری از این امر وجود دارد:
الف) تضمین پیشینی ایجاد مواد جدید، به عنوان مثال با استفاده از سطح بالایی از جهش (به بخش 4.3.3 مراجعه کنید).
ب) یا به طور پسینی دستکاری برازش همه اعضا برای ایجاد یک سوگیری علیه مشابه بودن یا نزدیک بودن به نامزدهای موجود. یک تکنیک شناخته شده به اصطلاح مکانیسم طاقچه[5] است.
اکتشاف و بهره‌برداری دو اصطلاحی هستند که اغلب در EC استفاده می‌شوند. اگرچه تعاریف واضحی وجود ندارد [8]، بحث‌های زیادی در مورد آنها صورت گرفته است. معضل یک روش بهینه‌سازی این است که آیا جستجو در اطراف بهترین راه‌حل‌ها تا کنون (زیرا همسایگی آنها احتمالاً حاوی نکات بهتری است) یا کاوش در برخی مناطق کاملاً متفاوت از فضای جستجو (همانطور که بهترین راه‌حل‌های تاکنون ممکن است تنها بهینه محلی باشند.). یک EA باید به گونه‌ای تنظیم شود که این معضل را بدون آگاهی قبلی از نوع چشم‌اندازی که باید کاوش کند، حل کند. فاز بهره‌برداری را می‌توان گاهی به برخی از روش‌های بهینه‌سازی محلی واگذار کرد، که به عنوان یک عملگر جهش نامیده شود، یا به طور سیستماتیک برای همه اعضا تازه متولد شده اعمال شود و آنها را به نزدیک‌ترین بهینه محلی منتقل کند. در حالت دوم، الگوریتم ترکیبی حاصل، الگوریتم ممتیک نامیده می‌شود.
به طور کلی، دو نیروی محرک پشت یک EA وجود دارد: انتخاب و تنوع[6]. اولین مورد بازنمایی فشار به سمت کیفیت است و تنوع ژنتیکی جمعیت را کاهش می‌دهد. دومی که توسط عملگرهای بازترکیبی و جهش اجرا می‌شود، بازنمایی فشار به سمت تازگی[7] است و تنوع ژنتیکی را افزایش می‌دهد. برای اینکه یک EA به درستی کار کند، باید تعادل مناسب بین این دو نیرو حفظ شود. با این حال، در حال حاضر، تئوری زیادی برای پشتیبانی از طراحی عملی EA وجود ندارد.
