使用遗传算法的主要原因是：

• 有多个局部最优
• 目标函数不平滑（因此不能应用导数方法）
• 参数的数量非常大
• 目标函数是嘈杂的或随机的

当您没有梯度的定义时，大量参数可能会成为基于导数的方法的问题。在这种情况下，您可以通过 GA 找到一个不错的解决方案，然后使用基于导数的方法对其进行改进。“大”的定义一直在增长。

• 概念很容易理解
• 模块化，与应用程序分离
• 支持多目标
• 优化 适合“嘈杂”的环境
• 总是一个答案；随着时间的推移，答案会变得更好
• 本质上是平行的；易于分发

遗传算法与传统搜索和优化方法的不同之处在于四个重要点：

• 遗传算法从一组点中并行搜索。因此，它有能力避免像传统方法那样陷入局部最优解，从单点搜索。
• 遗传算法使用概率选择规则，而不是确定性规则。
• 遗传算法适用于染色体，它是潜在解决方案参数的编码版本，而不是参数本身。
• 遗传算法使用适应度分数，它是从目标函数中获得的，没有其他衍生或辅助信息

遗传算法是最后的手段。它们仅在分析解决方案不可行时才有用（请参阅 Patrick 的回答，了解最常见的原因），并且您手头有大量 CPU 时间。