遺伝的アルゴリズム（ジョージア）は、 人工知能（ AI ）ベースの方法論です。他の文学と呼ばれることは、進化のアルゴリズムとして変動します。 これは、非数学的、非決定論的、その代わりに、確率過程やアルゴリズムの最適化の問題を解決するための、できれば巻き込まれている、離散変数と関数以外の客観的制約です。

遺伝的アルゴリズムの最適化を使用して様々な分野に適用できるように電力工学です。 遺伝的アルゴリズムを使用する私の学部の論文については、最適な配分の不平衡コンデンサを切り替え、固定および動径分布フィーダです。

注：だけは、次の議論が証明されていないとアイデアや配合はまだありません。 誰もが招待を探ると、はるかに良い、これらの考えを実装

システムの方程式
システムの機能をatleast方程式は2つの変数です。 リニアことができますかのいずれかでノンリニア、および解決策を入手するには、システムとすべきである以外の特異点は、宇宙空間でそれと一致します。

通常、システムの方程式には、以下のフォーム;

F1ので（ x1 、 x2 、 x3 、 … 。 、高いXn ） = a1
F2キーで（ x1 、 x2 、 x3 、 … 。 、高いXn ） = a2
… 。
fnで（ x1 、 x2 、 x3 、 … 。 、高いXn ） =する

ここで、 xは、未知の変数、 nは、多くの未知の変数、およびAの定数を使用します。

定式化
唯一の情報は、必要に応じて、遺伝的アルゴリズムは、目的関数、との表現形式で符号化方式で文字列を含む情報を参照するに可能性のあるソリューションです。 評価をする可能性が解決策が行われた後、すべての遺伝子操作を設定します。

したがって、システムの方程式の同時遺伝的アルゴリズムを使用して解決するためにできることを表明している場合、フォームの客観的機能や、解決策は正しいといわれて、それを満たすことができるこれらの変数のすべての方程式の関係です。 これだけです。

F1ので（ x1 、 x2 、 x3 、 … 。 、高いXn ） -a 1= 0
F2キーで（ x1 、 x2 、 x3 、 … 。 、高いXn ） -a 2= 0
… 。
fnで（ x1 、 x2 、 x3 、 … 。 、高いXn ） -の= 0

または、約、

その
絶対値（ F1ので（ x1 、 x2 、 x3 、 … 。 、高いXn ） -A 1）から、および
絶対値（ F2キーで（ x1 、 x2 、 x3 、 … 。 、高いXn ） -A 2）の、および
…
絶対値（視野数で（ x1 、 x2 、 x3 、 … 。 、高いXn ） -する）

すべての少なくともしなければならない。

の最後の一組の方程式（太字やイタリック体）は、実際には、必要に応じて、目的関数を遺伝的アルゴリズムです。 注記、その遺伝的アルゴリズムを出力して正確な解決策はありませんが非常に近くに、実際のソリューションです。

起こり得る問題に遭遇するかもしれない
遺伝的アルゴリズムの最適化を専門とするディスクリートソリューションと非制約目的関数です。 明らかに、私たちの目的関数を制約が形成さではないので、私たちの問題はないと考えています。 しかし、未知の変数、これは、ディスクリートには、可能な解決策ではない。 実際には、これはより積極的に負の無限大の連続です。 このジレンマの問題が原因で、表現方式のために無限大のサンプルスペースです。