Koristeći to dobro svojstvo genetskog algoritma s turnirskom selekcijom izbjegava se čekanje dretve na oslobođenje zauzetog zajedničkog podatka.

Paralelizacijom genetskog algoritma može se značajno skratiti trajanje optimiranja na višeprocesorskom računalu.

Analogija evolucije kao prirodnog procesa i genetskog algoritma kao metode optimiranja, očituje se u procesu selekcije i genetskim operatorima.

Nakon kraćeg opisa osnovnih koraka, operatora i reprezentacije rješenja klasičnog genetskog algoritma, razlaže se matematička podloga koja objašnjava konvergenciju klasičnog genetskog algoritma u globalni optimum.

Naredni dio četvrtog dijela rada posvećen je operatorima i parametrima genetskog algoritma predstavljenog u ovom radu za optimalno strukturiranje razdjelnih mreža.

Osim toga analiziran je utjecaj različitih funkcija kazne, operatora križanja i mutacije, te različitih parametara genetskog algoritma (veličina populacije, intenzitet selekcijskog odabira, broj evolucijskih ciklusa, vjerojatnost mutacije) na konvergenciju genetskog algoritma

Cilj je ovog rada objasniti osnove genetskog algoritma te pokazati načine njihove primjene na nekima od spomenutih problema.

Detaljnije se razmatra problem prekrivanja površine na kojem se iznose mogućnosti implementacije, uspoređuju rezultati i navode parametri genetskog algoritma

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

Na primjeru jednostavnog optimizacijskog problema, u petom dijelu rada provedena je usporedba genetskog algoritma s ostalim dostupnim algoritmima.

Nakon kraćeg opisa tijeka postupka optimiranja realnih razdjelnih mreža, provjerena je primjenjivost i uspješnost genetskog algoritma u rješavanju dva realna problema optimiranja složene strukture razdjelne mreže užeg centra grada Zagreba

Strategije kretanja, te prosječna dobrota populacije biljojeda je uvjetovana uspješnosti genetskog algoritma.

Oni su već detaljno opisani u poglavlju o križanju kod genetskog algoritma (poglavlje 2.4.3), jer se zapravo radi o varijantama križanja s jednom ili dvije točke prekida.

U prvom dijelu rada pruža se kratki pregled genetskog algoritma.

Rad u istim uvjetima je pokazao da je korištena implementacija genetskog algoritma drastično brža od implementacije programiranja genskih izraza.

Dijeljenjem prosječnog trajanja iteracije za oba algoritma, dobije se omjer 1:3550 u korist genetskog algoritma (Tablica 6.8)

Tablica 6.7. popisuje parametre jednostavnog genetskog algoritma

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

Prilagođavanje genetskog algoritma problemu najčešće se sastoji od odabira prikladnog prikaza rješenja te definiranja genetskih operatora pogodnih za taj prikaz

Pojednostavljena svrha genetskog algoritma je pronalazak maksimuma određene funkcije uz zadane uvjete, primjerice traženje najviše geografske visine u određenom prostoru ili najniže cijene nekog procesa uz određene uvjete

Ona sadrži funkcije inicijalizacije i iteriranja genetskog algoritma.

Veličina populacije je još jedan ulazni parametar genetskog algoritma i u ovom radu označavat će se kao VEL_POP

Ipak, kada postoji, potraga koja koristi specifična znanja o problemu općenito će dati bolje rezultate od genetskog algoritma

Karakteristika eliminacijskog genetskog algoritma je eliminacijska selekcija

U narednoj točci obrazlažu se prednosti genetskog algoritma pred ostalim optimizacijskim postupcima, pri čemu se posebno razmatra usporedba genetskog algoritma i algoritma stohastičke relaksacije te grupe algoritama poznatih pod nazivom algoritmi kretanja uzbrdo.

U osnovnoj strukturi genetskog algoritma moguće je izdvojiti neke dijelove koji se mogu izvršavati neovisno, pa je razvojem višeprocesorskog računala stvorena mogućnost da se ti neovisni dijelovi paraleliziraju.

Ovaj interface omogućuje inverziju ovisnosti između samog genetskog algoritma opisanog klasom GA i implementacije genetskih operatora za pojedini problem koji GA rješava (u ovom slučaju klasu Krojenje)

Sljedeći zadatak genetskog algoritma je generiranje sljedeće populacije rješenja, a to se postiže preko genetskih operatora rekombinacije i mutacije.

Uz ovakav opis, na prvi pogled se zaključuje da je genetsko programiranje samo poseban slučaj genetskog algoritma.

U ovom seminarskom radu opisuju se principi i metode rada genetskog algoritma.