遗传算法的优势
A. 遗传算法、粒子群算法、蚁群算法，各自优缺点和如何混合请详细点 谢谢
遗传算法适合求解离抄散问题，具备数学理论支持，但是存在着汉明悬崖等问题。
粒子群算法适合求解实数问题，算法简单，计算方便，求解速度快，但是存在着陷入局部最优等问题。
蚁群算法适合在图上搜索路径问题，计算开销会大。
要将三种算法进行混合，就要针对特定问题，然后融合其中的优势，比如将遗传算法中的变异算子加入粒子群中就可以形成基于变异的粒子群算法。
B. 遗传算法的优缺点
遗传算法与传统的优化方法（枚举，启发式等）相比较，以生物进化为原版型，具有很好权的收敛性，在计算精度要求时，计算时间少，鲁棒性高等都是它的优点。
在现在的工作中，遗传算法（1972年提出）已经不能很好的解决大规模计算量问题，它很容易陷入“早熟”。常用混合遗传算法，合作型协同进化算法等来替代，这些算法都是GA的衍生算法。
C. 遗传算法有那些缺点
1、早熟抄。这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解。
2、大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
3、处理规模小。目前对于维数较高的问题，还是很难处理和优化的。
4、难于处理非线性约束。对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支。
5、稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
大致这些，lz可查阅相关专业书籍！
D. 遗传算法优点，要详细一些的
遗传算法是一种全局优化概率算法，主要的优点有
1.遗传算法对所求解的优化问题没有太多的数学要求，由于他的进化特性，搜素过程中不需要问题的内在性质，对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的都可处理。
2.进化算子的各态历经性使得遗传算法能够非常有效地进行概率意义的全局搜素。
3.遗传算法对于各种特殊问题可以提供极大的灵活性来混合构造领域独立的启发式，从而保证算法的有效性。
E. 使用遗传算法求解支持向量有什么优缺点
遗传算法是一种全局优化概率算法，主要的优点有
遗传算法对所求解的优化问题没有太多的数学要求，由于他的进化特性，搜素过程中不需要问题的内在性质，对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的都可处理。
2.进化算子的各态历经性使得遗传算法能够非常有效地进行概率意义的全局搜素。
3.遗传算法对于各种特殊问题可以提供极大的灵活性来混合构造领域独立的启发式，从而保证算法的有效性。
F. 遗传算法、粒子群、模拟退火相比于普通的蒙特卡洛算法有什么优势他们相互的优缺点都是什么
他们有类似之处，但差别也不小。
蒙特卡洛算法是数值计算方法，原理是利用随机数来解决计算问题。与它对应的是确定性算法。也就是说该种算法属于随机算法，得到的解是近似解。
而遗传算法、粒子群、模拟退火虽然也是随机近似算法，但这三种都是仿生智能算法，且比蒙特卡洛算法要复杂，应用的领域也不太相同。
显然，蒙特卡洛算法很轻巧，求解问题更快速。
G. 遗传算法与牛顿迭代法的优劣的比较
每个算法都各自的特点和它的优劣性。
牛顿迭代法是一种求近似解的方法。遗传算法也是一种可以全程求最优值的方法，一般就算法之间没有办法说优劣性，只能是说在特定的条件下该用什么方法。
就好比专家系统是一个具有专门知识的计算机程序系统，人工神经网络有很好的学习能力，但他们也有自身的缺点。
按楼主的意思来，牛顿迭代法是一种局部算法，遗传算法是全程算法，毕竟遗传参数里迭代次数也是一个很重要的参考因素。
H. 量子遗传算法的优势在哪
多数论文都是假的，如果你会matlab，那我只能说真才实学害人！
很多所谓的博士教授不会写代码，就乱编个小算例。
I. 量子遗传算法对于遗传算法的优点是什么
搜索范围更广，适应性更强，效率更高，效果更好。