在環(huán)境試驗設(shè)備實際操作實踐中，很多參數(shù)優(yōu)化問題是多參數(shù)和非線性的，且往往還伴隨著不可微和參數(shù)耦合問題。這時用傳統(tǒng)的優(yōu)化方法解決這種問題效率很低，有時甚至得不出結(jié)果。遺傳算法的強(qiáng)魯棒性和有效性為解決這類問題提供一種有效的途徑。
遺傳算法的特點在于，在模擬自然界生物進(jìn)化過程中，應(yīng)用了自然界的進(jìn)化規(guī)律，染色體的交叉，變異的現(xiàn)象結(jié)合自然選擇過程使得物種不斷向前進(jìn)化。遺傳算法也因此顯示出了頑強(qiáng)的生命力并且越來越受到重視。但遺傳算法作為一種隨機(jī)搜索算法也存在著一些缺點，其中最主要的問題是未成熟收斂（Prematureconvergence PC）問題和進(jìn)化后期搜索效率下降問題。

在下文中將根據(jù)如何解這兩個主要問題改進(jìn)標(biāo)準(zhǔn)遺傳算法，從而形成自適應(yīng)遺傳算法。但在此之前首先要明白什么是未成熟收斂，及其形成的原因。未成熟收斂現(xiàn)象是遺傳算法中特有的現(xiàn)象，且十分常見。它指的是，當(dāng)還未達(dá)到全局最優(yōu)解或滿意解時，群體中不能再產(chǎn)生性能超過父代的后代。其主要特征是種群中個體結(jié)構(gòu)的多樣性急劇下降。
產(chǎn)生未成熟收斂的主要原因有：
一 理論上考慮的選擇、交叉、變異操作是的，它們之間相互協(xié)調(diào)，能搜索到整個解空間，在時間趨于無窮時以概率一收斂到最優(yōu)解。但實際過程中，有些問題的求解要求滿足一定的快速性，因此不可能等到時間趨于無窮便要求系統(tǒng)給出當(dāng)前最優(yōu)解，所以很難達(dá)到理論上的要求。
二 遺傳算法處理的種群的規(guī)模是有限的，因而存在隨機(jī)誤差。它主要包括取樣誤差和選擇誤差。由于染色體在遺傳操作中只能產(chǎn)生整數(shù)個后代，在有限規(guī)模的種群中，模板的樣本不可能以任意精度反映所要求的比例，這是產(chǎn)生取樣誤差的根本原因。加上隨機(jī)選擇的誤差就可以導(dǎo)致模板樣品數(shù)量和理論預(yù)測值有很大差別。隨著這種偏差的積累，一些有用的模板將會從種群中消失，有害的模板可能會保留下來，從而引起遺傳漂移，最終導(dǎo)致算法效率降低。
三 所求解的問題是遺傳算法的欺騙性問題。當(dāng)解決的問題對于標(biāo)準(zhǔn)遺傳算法來說比較困難時，遺傳算法便會偏離尋優(yōu)方向，這種問題被稱為遺傳算法欺騙問題。
上述三個方面都有可能產(chǎn)生未成熟收斂現(xiàn)象，使得種群中個體結(jié)構(gòu)多樣性過早的丟失，從而使算法陷入局部極值點。http://www.mingxihui.com