UVOD

Genetski algoritmi, kao jedni od evolucijskih algoritama, heuristička su metoda optimiranja koja imitira prirodni evolucijski proces. Predstavljaju model strojnog učenja čije ponašanje potječe iz procesa evolucije koji se neprekidno odvija u prirodi.
Ideju evolucijskog računarstva 1960. godine u svom djelu „Evolucijske strategije“ donosi I. Rechenberg. Ideja je prihvaćena od strane istraživača na području računalne znanosti te se počinje intenzivno proučavati. Genetski su algoritmi rezultat istraživanja Johna Hollanda. Kao algoritmi koji se oslanjaju na ideje iz prirode, pogodni su za pretraživanje velikog prostora mogućnosti s ciljem pronalaska optimalnog rješenja.
Osnovna karakteristika evolucije u prirodi je prilagođavanje živih bića uvjetima u prirodi. Analogija evolucije kao prirodnog procesa i genetskog algoritma kao metode optimiranja očituje se u procesu selekcije i genetskim operatorima. Mehanizam odabira u prirodnom evolucijskom procesu čine okolina i uvjeti u prirodi. Kod genetskih algoritam ključ selekcije je funkcija cilja ili funkcija dobrote koja na odgovarajući način predstavlja problem koji se rješava. U prirodi jedinka koja je najbolje prilagođena uvjetima i okolini ima najveću vjerojatnost preživljavanja i parenja pa tako i prenošenja vlastitog genetskog materijala. Kod genetskih algoritama jednu jedinku predstavlja jedno rješenje. Selekcijom se odabiru dobre jedinke (rješenja) koje se prenose u sljedeću populaciju, a manipulacijom genetskog materijala stvaraju se nove jedinke. Takav ciklus reprodukcije, selekcije i manipulacije ponavlja se sve dok nije zadovoljen uvjet zaustavljanja genetskog algoritma.
Po načinu djelovanja, genetski algoritmi ubrajaju se u metode slučajnog pretraživanja prostora rješenja u potrazi za globalnim optimumom. U tu skupinu možemo ubrojiti još i evolucijske strategije, simulirano kaljenje te genetsko programiranje. Snaga tih metoda, a ponajviše genetskih algoritama, leži u tome što su u stanju odrediti položaj globalnog optimuma u prostoru s više lokalnih ekstrema, u tzv. višedimenzionalnom prostoru. Klasične determinističke metode tražit će lokalni ekstrem za koji ne znamo je li ujedno i globalni. Stohastičke metode, kojima pripadaju i genetski algoritmi, mogu s nekom vjerojatnošću odrediti globalni ekstrem funkcije cilja. Temeljna razlika između ova dva pristupa jest u tome da determinističke metode daju siguran rezultat, ali manje značajan (lokalni ekstrem), a uz rezultate dobivene stohastičkim metodama uvijek stoji postotak koji označava vjerojatnost da je to rješenje uistinu ono za koje ga se smatra, no, osim lokalnih, mogu dati i globalne optimume. Dakako, vjerojatnost ispravnosti rješenja kod stohastičkih metoda povećava se s brojem ponavljanja procesa rješavanja.