遗传算法的迭代

① 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。

② 遗传算法中有一个最大迭代次数的概念,我想请问一下,这个是由自己根据题目要求自己制定的吗!

是的.达到优化值可以停止,所以一般都有两个退出条件.

③ 遗传算法迭代次数比较小比如10，是不是比较不会陷入局部

在优化问题本身是凸优化问题的情况下，局部最优等于全局最优。在非凸优化的情况下，理论上是无法保证找到全局最优解的，但是可以通过例如改变初始值等方法找到尽量接近全局最优解的局部最优解。

④ 遗传算法中有一个最大迭代次数的概念，我想请问一下，这个是由自己根据题目要求自己制定的吗！

是的。达到优化值可以停止，所以一般都有两个退出条件。

⑤ 遗传算法求一个目标函数的最小值，但不论迭代多少次，每次的结果都是一样的，这是为什么。

电气同行？
你的遗传算法相当于没有进化呢 把你问题的模型和代码贴出来或许能帮上忙……

⑥ 遗传算法m次迭代，比迭代50次应该会比较好吧

这个用算时间不算慢了，还可以，为了提高全局寻优，避免陷入局部最优解你可以尝试增加种群个数NIND，最好不要让迭代次数过大，这往往会将低算法的泛化性能

⑦ 高分寻达人分别介绍下遗传算法和演化算法，以及之间的联系和区别

根据阅读的资料，大概有以下判断：
遗传算法是演化算法中的一种。

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。

遗传算法是基于生物学的，理解或编程都不太难。下面是遗传算法的一般算法：
创建一个随机的初始状态

初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。

评估适应度

对每一个解(染色体)指定一个适应度的值，根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。不要把这些“解”与问题的“答案”混为一谈，可以把它理解成为要得到答案，系统可能需要利用的那些特性。

繁殖(包括子代突变)

带有较高适应度值的那些染色体更可能产生后代(后代产生后也将发生突变)。后代是父母的产物，他们由来自父母的基因结合而成，这个过程被称为“杂交”。

下一代

如果新的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为止。

并行计算

非常容易将遗传算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。
http://ke..com/view/45853.html

演化算法：
这部分的研究主要是提供具有演化特征的算法，已知的遗传算法是其中之一。许多新的算法正在研究中。由于遗传算法的整体搜索策略和优化计算时不依赖于梯度信息，所以它的应用非常广泛，尤其适合于处理传统搜索方法难以解决的高度复杂的非线性问题。人工生命研究的重要内容就是进化现象，遗传算法是研究进化现象的重要方法之一
我国学者接触这个领域较晚，目前尚未形成声势和有规模的研究队伍。1997年夏天，在中科院基础局、国家科委基础司及中国国际经济及技术交流中心的支持下，由中科院系统科学所和自动化研究所举办了第一次人工生命及进化机器人研讨会[20]。与会者约60人。除去邀请了五位国际知名学者的学术报告之外，国内也有数名学者介绍了相关的研究成果。主要在数字生命、复杂巨系统方面进行了一些研究。据目前了解到的情况，国内尚有一些人在研究演化算法，在人工智能的一本书上有一段介绍人工生命。但对人工社会、人工生态环境及进化机器人等尚无人问津。
http://blog.ustc.e.cn/chujx/archives/000925.html

⑧ 遗传算法迭代次数比较多比如100，是不是会陷入局部！

迭代次数一般设置为你能承受的次数，此外还要看你的可行解的空间大小，空间大的需要次方的迭代次数。解决方案：一般设置迭代次数多一点，然后设置结束误差，达到允许的误差之后跳出就行了