参数设置
Rastrigin函数
$$f(x,y)=20+x^2+y^2-10(\cos 2\pi x+\cos 2\pi y)$$结果 1
—
结果 2
—
计算结果
实时可视化遗传算法的多变量函数优化过程。以动画展示交叉、变异、选择的进化过程。
计算结果
本模拟器优化的目标是Rastrigin函数，它是一个经典的多峰测试函数，常用于评估优化算法在复杂、非线性搜索空间中的性能。其全局最小值位于原点(0,0)。
$$f(x,y)=20+x^2+y^2-10(\cos 2\pi x+\cos 2\pi y)$$其中，$x$和$y$是决策变量（即我们要优化的参数），$f(x,y)$是目标函数值（越小越好）。公式中的余弦项$10(\cos 2\pi x+\cos 2\pi y)$创造了大量的周期性局部极小值，使得搜索全局最优解变得非常困难。
遗传算法本身没有单一的“物理方程”，但其核心操作遵循概率规则。例如，选择操作常采用“轮盘赌选择法”，个体被选中的概率与其适应度成比例：
$$P_i = \frac{f_{max} - f_i}{\sum_{j=1}^{N}(f_{max} - f_j)}$$这里，$P_i$是个体$i$被选为父代的概率，$f_i$是其目标函数值（对于最小化问题，值越小适应度越高），$f_{max}$是当代种群中的最差值，$N$是种群大小。这个公式确保了更好的解有更高的繁殖机会。
结构拓扑优化：在汽车或航空航天领域，工程师需要设计出既轻量化又满足强度要求的部件。遗传算法可以处理成千上万个设计变量，自动“进化”出最优的材料分布形状，这些形状往往非常有机和高效，超出人类直觉的设计。
天线设计：设计一个在特定频段具有最佳性能的天线，其形状、尺寸等参数组合极为复杂。遗传算法能够探索巨大的参数空间，自动优化出高性能的天线结构，广泛应用于现代通信设备。
生产调度与物流：在工厂生产线排程或物流配送路径规划中，需要处理大量的约束和变量（如机器、时间、订单、车辆、路线）。遗传算法能高效地寻找近似最优的调度或路径方案，极大降低成本和提高效率。
机器学习超参数调优：训练神经网络时，学习率、层数、节点数等超参数的选择极大影响模型性能。手动调参耗时费力，遗传算法可以自动“进化”出一组表现优异的超参数组合，是自动化机器学习（AutoML）中的重要工具。
通过此模拟器熟悉遗传算法（GA）后，容易将其误解为“万能优化工具”。首先，GA并不保证一定能找到“最优解”，它终究只是一种以高概率发现“极优解”的方法。尤其在工程实践中，其计算成本可能非常巨大。例如，在优化车辆碰撞安全性时，单次CAE分析可能需要数小时。若设定种群规模为100、迭代50代，简单计算便需5000次分析，这在实际中难以实现。因此在实际应用中，GA多用于为初始设计进行粗略探索，或为其他方法难以入手的问题生成初始解。
其次，不应过度依赖参数设置的“魔法”。请摒弃“突变率0.01是黄金法则”这类迷信观念，最优参数会随问题性质大幅变化。建议通过本工具尝试：将突变率设得极高（如0.5）会导致种群陷入随机游走而无法收敛；反之若设置过低（如0.001），则初始多样性会迅速丧失，使算法困于首次遇到的局部解中。实际应用中，通常需要先以默认参数运行，若解多样性过早消失则提高突变率，若收敛过慢则增强选择压力，依此原则进行调整。
本模拟器背后的“多峰函数优化”思想，不仅限于CAE领域，更与众多前沿工程领域直接相关。例如在飞机翼型优化中，为同时满足升力与阻力这两个相互冲突的目标（多目标优化），常会采用GA。若将翼面无数控制点设为设计变量，它们所形成的流场将如Rastrigin函数般呈现复杂的响应曲面。
此外在汽车轻量化设计中，可将车身梁架截面形状或板厚作为变量，以刚度或固有频率为约束条件，构建重量最小化问题。此时的“地形”是由表征碰撞安全性与振动特性的多个CAE仿真结果交织而成的高维超曲面。更进一步，在材料信息学领域，研究人员将新材料分子组成或处理条件的组合视作基因，利用GA探索具有目标特性的材料。由此可见，凡是设计变量与评价指标关系呈“黑箱”特性、且存在大量局部解的任何工程设计问题，均可应用本工具所教授的原理。
熟悉本模拟器后，下一步建议亲身体验“维度灾难”。本工具仅涉及两个变量（x与y），但实际问题往往包含数十至数百个变量。变量增加会导致搜索空间呈指数级膨胀，此时简单GA将难以应对。学习时可尝试在脑海中想象三维变量的地形。此外，掌握约束优化技术是通往工程实践的桥梁。例如“在保证挠度≤5mm的前提下实现轻量化”这类约束问题，就需要使用罚函数法或适应度排序法等约束处理技术。
在数学背景方面，理解模式定理有助于深入把握算法本质。该定理作为GA的理论支柱，指出“定义长度短且平均适应度高的基因模式（模式）会随迭代呈指数级增长”。这解释了GA并非随机搜索，而是通过组合优良基因模块进行建设性探索的机制。建议后续可对比研究GA的衍生算法——进化策略（ES）与粒子群优化（PSO）。虽同属“群体智能”，但PSO采用个体向自身历史最优与群体最优位置飞行的模型，展现出与GA不同的搜索动力学。理解这些差异有助于培养针对问题选择优化方法的洞察力。