遗传算法优化模拟器

结构拓扑优化： 在给定体积约束下，决定材料应该放在哪里。SIMP法等梯度法的初始设计或离散设计变量（开孔/不开孔）的搜索中，遗传算法被广泛使用。应用于轻量化汽车零部件和航空机翼设计。

发动机燃烧优化： 燃烧室形状、喷油时机、气门时序等多个参数复杂地影响燃油效率和排气性能。将CAE仿真（CFD）和遗传算法结合，搜索全局最优参数组合。

天线和电磁器件设计： 对天线形状或滤波器结构参数化，使用遗传算法搜索满足所需频率特性。由于电磁仿真计算量大，高效搜索至关重要。

飞机机翼设计： 优化升力阻力比的机翼形状。同时满足多个设计条件（起降、巡航）的多目标优化中，遗传算法也被应用。

接触这个模拟器后，容易把遗传算法看成"万能优化工具"，这需要纠正。首先，遗传算法不能保证找到"最优解"。它只是高概率找到"非常好的解"。在实务中计算代价往往巨大。比如用CAE仿真优化车体碰撞安全性时，一次解析需要数小时。若种群100、世代50，则需5000次仿真，实际上不可行。实践中，遗传算法主要用于粗略探索、为其他方法提供初始设计，或者在完全没有梯度信息的问题上做初步探索。

其次，不要迷信参数调优的"魔法公式"。"突变率0.01是黄金法则"之类的说法要摒弃。最优参数随问题而异差异很大。本工具的价值在于让你体验：将突变率调到极高（如0.5）时，种群会陷入随机游走无法收敛；调得太低（如0.001）时，初期多样性丧失，困在第一个局部最优。实际应用中的策略是：先用默认值运行，观察多样性衰减速度，如衰减过快就提高突变率，衰减太慢就加强选择压力。