Genetski algoritam s turnirskom selekcijom slučajno odabire jedinke koje će sudjelovati u selekciji i reprodukciji.

Za razvijanje heuristike implementiran je jedan genetski algoritam SGAV ([ 2 ]), jedan algoritam koji koristi slučajne šetnje i eliminaciju jediničnih klauzula UnitWalk ([ 3 ]) i jedan Greedy algoritam za rješavanje problema SAT ([ 1 ]).

Za genetski algoritam jedno rješenje je jedna jedinka.

Pri optimiranju bioseparacijskih procesa će se koristiti visoko sofisticirane u učinkovite stohastičke metode optimiranja: genetski algoritam i evolucijsko optimiranje.

Genetski algoritam često konvergira što znači da populacija gubi na svojoj raznovrsnosti pa algoritam gubi svoju efikasnost jer mu se može dogoditi da lako zaglavi te na taj način nikada neće pronaći rješenje.

Masovno paralelni genetski algoritam (ili stanični genetski algoritam) je oblik paralelnog genetskog algoritma koji radi sa sitnozrnato raspodijeljenom populacijom.

Spominjete genetske algoritme, i to je izvrsna stvar kada se govori o životu, no ipak jedno treba imati na umu: ne djeluje genetski algoritam samo na hardver, tj. na razvoj samog tijela, neuronske strukture i senzornog aparata

Genetski algoritam (GA) je metoda optimiranja kojom se prati populaciju rješenja nekog problema i simuliranjem evolucijskog procesa nad njom traži što bolje (poželjno najbolje) rješenje tog problema

Genetski algoritam (Genetic Algorithm, GA) je heuristička metoda optimizacije zasnovana na principima Darwinove teorije evolucije.

Što je PopulationSize veći broj, genetski algoritam rješenje traži temeljitije čime se smanjuje mogućnost da algoritam vrati lokalni minimum koji ujedno nije i globalni, ali se i povećava vrijeme traženja

Kako neka od mogućih rješenja genetski algoritam ne provjeri slijedi da dobiveno rješenje ne mora nužno biti i najbolje moguće.

Uniformno generiranje početne populacije nije preporučljivo jer su tada sve jedinke iste pa genetski algoritam u početku nije učinkovit

Kao alat za pronalaženje potrebnih optimalnih strojnih parametara u ovom radu je korišten genetski algoritam.

Globalni paralelni genetski algoritam oblik je genetskog algoritma s jednom populacijom.

Kako genetski algoritam pripada razredu stohastičkih algoritama, ne postoji garancija da će najbolja jedinka svaki put preživjeti selekcijski odstrel.

Genetski algoritam s ugrađenim elitizmom kroz generacije asimptotski napreduje prema globalnom optimumu

Globalni paralelni genetski algoritam i distribuirani genetski algoritam imaju otprilike jednako trajanje.

Stoga jednostavni genetski algoritam radi s populacijom uvijek iste veličine.

Genetski algoritam je metoda optimiranja koja imitira prirodni evolucijski proces i primjenjuje ga na apstraktne jedinke.

Genetski algoritam prema vrsti selekcije može biti generacijski ili eliminacijski.

Najpoznatiji primjer evolucijskih algoritama predstavlja genetski algoritam

Ukoliko jedinke imaju približno jednake vrijednosti dobrote, tada se genetski algoritam pretvara u postupak slučajnog pretraživanja, jer sve jedinke imaju približno istu vjerojatnost selekcije

Ovakav pristup ima dosta negativnih strana jer se može dogoditi da genetski algoritam za vrijeme rada generira nepostojeća rješenja.

Tim se potezom sprečava mogućnost nastajanja nedopuštenih vrijednosti, a genetski algoritam prelazi u evolucijski program

Ukoliko ste za PopulationSize umjesto obične konstante postavili vektor, genetski algoritam će kreirati toliko podpopulacija kolika je duljina vektora.

Naravno, genetski algoritam nije idealna preslika evolucije, već se često navodi kao gruba aproksimacija evolucije.

Najčešće to nije slučaj pa genetski algoritam koristi manje memorijskog prostora

Genetski algoritam, kao i svi evolucijski algoritmi, oslanja se na mutaciju u svom radu.

Naime, genetski algoritam ima tendenciju zaglaviti u najbližem lokalnom optimumu (već nakon malenog broja generacija) te se kasnije teško ili nikako ne miče iz njega.

Iako genetski algoritam pretražuje i optimizira zadani skup rješenje ne predstavlja uvijek optimum procesa, te je potrebno pažljivo konstruirati okruženje evolucije kako bi se zaista dobili rezultati bliski rješenju.