在研究遗传算法时，似乎有各种选择方法和其他算子方法可以显着改变性能。例如，这张图片包含一些可以使用的方法：
据推测，您可以混合和匹配这些运算符来优化您要解决的任何问题。
大多数人关心的是达到目标需要多少次迭代。这是可以理解的，但我见过在实际系统中效率低下的事情，例如：
对当前人口使用排序并为交配池挑选前 n 个成员
附加到不断调整大小的切片以创建匹配池，而不是在当前数组上重写
我正在寻找的是，如何使用尽可能少的计算和内存达到目标。迭代次数和到达那里所需的时间仍然是次要的。
这可能是选择正确运算符的过程，但我也在考虑的是实现的并行化程度。
首先，对于很多现实问题，适应度函数评估的复杂度通常比遗传算法的其余部分大几个数量级。这并不总是正确的，但通常是正确的（例如，想象一下尝试优化模拟，您需要完全执行模拟以获得适应度）。因此，优化 GA 本身可能仅在适应度函数很轻的时候才有用（例如，它是在某些比赛中使用的数学函数）。
虽然您的图表显示了许多运算符，但它并没有显示 GA 本身的变体。这里有两个：
如果您真的想在 GA 中最大限度地提高效率，稳态方法可能与锦标赛选择结合使用效果最好，因为锦标赛选择不需要任何排序。您列出的突变/交叉运算符可能都非常有效，但更简单的方法可能是最有效的（例如位翻转突变+1 点交叉）。然而，对于现实问题，特定于问题的运算符通常效果最好。