遺伝的アルゴリズム — CAE用語解説

その通り、生物の進化を模倣した最適化手法だよ。まず設計パラメータの候補をたくさんの「個体」としてランダムに生成する。次に各個体の性能を評価（適応度）して、成績の良い個体同士を「交叉」で掛け合わせ、「突然変異」でランダムな変化を加える。これを何世代も繰り返すと、だんだん良い解に収束していくんだ。

勾配法は目的関数の微分情報が必要で、局所最適解にハマりやすい。遺伝的アルゴリズムは微分不要で、多数の個体が探索空間を同時に探るから、局所最適を乗り越えてグローバルな最適解に近づける可能性が高いんだ。ただし評価回数が多いから計算コストは大きいよ。

自動車のボディ骨格の板厚最適化が典型例だね。板厚を何十か所も同時に変えて、重量最小かつ衝突安全性を満たす組み合わせを探す。設計変数が多くて非線形な問題には遺伝的アルゴリズムが向いてるんだ。

そこが実務の悩みどころだね。だからサロゲートモデル（応答曲面）と組み合わせて、FEM計算の回数を減らす工夫がよく使われる。遺伝的アルゴリズム単体じゃなくて、賢く組み合わせるのがポイントだよ。

最適化分野全般の基礎として、トポロジー最適化やサロゲートモデルなど周辺の手法と合わせて学ぶと理解が深まるよ。進化計算のバリエーションとして粒子群最適化（PSO）や差分進化（DE）なんかも知っておくといいね。

問題に応じて手法を使い分けるのが大事だから、まずは遺伝的アルゴリズムの基本を理解してから他の手法にも広げていこう。