Genetic Algorithm (GA) est une Intelligence artificielle (AI) méthode fondée sur la. Autres appelé la littérature comme une variation d'un algorithme évolutif. Il est un non-mathématique, de la non-déterministe, au lieu de cela, un processus stochastiques ou algorithme pour la résolution de problèmes d'optimisation, de préférence, des variables discrètes et non-contrainte fonction objective.

Optimisation à l'aide algorithme génétique peuvent être appliquées dans divers domaines comme l'ingénierie électrique. - Je utiliser l'algorithme génétique dans ma thèse sur l'allocation optimale des immobilisations et des condensateurs pour tension déséquilibrée distribution radiale d'alimentation.

Note: Les considérations suivantes sont que des idées et des formulations et n'ont pas encore prouvé. Tout le monde est invité à explorer et mieux, l'application de ces pensée

Le système d'équations
Système d'équations sont des fonctions d'au moins deux variables. Il peut soit être linéaires ou non linéaires, et d'obtenir une solution, le système devrait être non-singulier et ont un point dans l'espace où il coïncide.

En règle générale, les systèmes d'équations ont la forme suivante;

F1 (x1, x2, x3,…., Xn) = a1
F2 (x1, x2, x3,…., Xn) = a2
….
Fn (x1, x2, x3,…., Xn) = une

où les x sont des variables inconnues, n est le nombre de variables inconnues, et une sont des constantes.

Formulation
La seule information dont on a besoin dans l'algorithme génétique sont fonction objective, et le système de représentation dans une forme d'une chaîne codée, contenant des informations sur les solutions possibles. Évaluation d'une solution possible a été fait après chaque série d'opérations génétiques.

Par conséquent, à la fois les systèmes d'équations peuvent être résoudre en utilisant l'algorithme génétique si l'on peut exprimé dans une forme d'une fonction objective et une solution est, dit-on, corriger, si elle peut satisfaire toutes les équations de ces variables. C'est tout;

F1 (x1, x2, x3,…., Xn) - a1 = 0
F2 (x1, x2, x3,…., Xn) - a2 = 0
….
Fn (x1, x2, x3,…., Xn) - un = 0

ou environ,

le
valeur absolue de (F1 (x1, x2, x3,…., xn) - a1), ET
valeur absolue de (F2 (x1, x2, x3,…., xn) - a2), ET
…
valeur absolue de (Fn (x1, x2, x3,…., xn) - un)

tous doivent être au minimum.

La dernière série d'équations (gras et italique) sont en fait fonction de l'objectif qui est nécessaire par Genetic Algorithm. À noter que, algorithme génétique n'est pas la production la solution exacte, mais très proche de la solution à retenir.

Problème possible pourrait être que la rencontre
Genetic Algorithm spécialisé sur l'optimisation des solutions discrètes et non-contrainte fonction objective. De toute évidence, la fonction objective que nous avions formé n'est pas limité, donc nous n'avons aucun problème avec cela. Toutefois, l'inconnu variables, qui contiendra la solution n'est pas discret. En fait, il est continu du positif au négatif infini. Ce dilemme va provoquer un problème de la représentation en raison de régime infiniment grand échantillon de l'espace.