遺傳演算法相對於窮舉演算法可以減少多少計算量？

12-28

例如窮舉的話需要運行1000次，那一般設置種群數為多少，設置幾代才合適，所需的計算總次數有沒有經驗值，或是相關的文獻支持呢？或是通常做法是嘗試嗎？

遺傳演算法，剝去層層外皮，本質上就是靠蒙。只是人家蒙得有手段，調得一手好參數，於是出來的近似解也不錯。

所以說這個問題的答案就是【通常做法是嘗試】。等你試個十年八年，你也有感覺了，以後也蒙得准了。

這完全取決於問題本身，遺傳演算法也是一種基於先驗假設的優化，
當這種假設不成立時，反而對解題有害，
比如這種情況，最優秀的參數只分布在一群最糟糕的參數附近。

這兩天正好寫了些遺傳演算法相關的程序，下面只是個人經驗，沒有理論依據：
1、遺傳演算法的效果通常受雜交方式影響很大，有些問題受初始種群、適應度函數的影響也很大，選擇方式的影響一般較小。雜交方式應該根據具體問題定製，而不能生搬硬套某個固定的方式；
2、如果自適應函數較為平滑（把染色體編碼當作自變數），則收斂效果很好；如果自適應函數有很多突變，則效果很差，甚至還不如窮舉；

種群必須足夠大，迭代次數隨問題的不同而不同。
可以通過精英判斷，如果一個精英，連續好幾代都沒被超越，則可以停止計算，這個精英作為近似解。
--------
以上純屬個人扯淡，沒有任何理論依據，也非引用前人結論。
本人也剛接觸遺傳演算法，所以上面說的很可能是錯的，僅僅作為參考。

還是那句話，取決於你要解決什麼問題，像破解密碼這類大海撈針的問題，遺傳演算法不可能有結果，例如，破解一個四位數的密碼0~9999,假定密碼是1234，密碼匹配為1，不匹配為0，當遺傳演算法生成第一代子代時，即使1235, 1233這類和1234很靠近的個體，與最優解的距離為1，對於第二代子代完全沒有任何指導意義，因為不知道那些個體屬於優勢個體。
所以，適用遺傳演算法的問題有一個基本的假設，即在最優解附近應是次優解(類似凸優化)，這樣隨著代數的增加，才能趨近最優解，但只是趨近。一般會預設一些閾值，如1）新的最優解/上一次最優解接近1；2）生成代數不超過給定值；如果達到這些標準就停止或者增加變異跳出局部次優解。

無論你設置多少代，遺傳演算法都不保證有最優解，數據量小還是不要用遺傳演算法了。而且遺傳演算法還會有重複計算。