(2)许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。
　　(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，信捷职称论文写作发表网，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。
　　3.2 运用领域
　　前面描述是简单的遗传算法模型，可以在这一基本型上加以改进，使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域：(1)优化：遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问题；(2)程序设计：遗传算法可以用于某些特殊任务的计算机程序设计；(3)机器学习：遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等。
　　
　　4 退火算法
　　
　　模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中ΔE为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f ，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt，每个t值时的迭代次数L和停止条件S。
　　
　　5 展望
　　
　　目前的智能计算研究水平暂时还很难使“智能机器”真正具备人类的常识，但智能计算将在21世纪蓬勃发展。不仅仅只是功能模仿要持有信息机理一致的观点。即人工脑与生物脑将不只是功能模仿，而是具有相同的特性。这两者的结合将开辟一个全新的领域，开辟很多新的研究方向。智能计算将探索智能的新概念，新理论，新方法和新技术，而这一切将在以后的发展中取得重大成就。
　　
　　参考文献：
　　[1]Common structural rules for double hull oil tankers, second draft for comment[S]. American Bureau of Shipping,Det Norske
　　Veritas and Lloyd' Register,2005.
　　[2]Holland J. Adaptationin naturalan dartificial systems[M]. Michigan,USA:The University of Michigan Press,1975; Massachu setts,USA:MIT Press,1992.
　　[3]De Jong K A. An analysis of the behavior of a class of genetic adaptive system[J]. University of Michigan,1975.
　　[4]马光伟，徐晋辉，石纯一. 社会Agent的BDO模型[J]. 计算机学报，2001,24(5):521-528.
　　[5]姚新, 陈国良, 徐惠敏, 等. 进化算法研究进展[J]. 计算机学报,1995,18(9):694-706.