材料研究和工业优化过程中涉及到大量的数据,如何有效利用数据,分析数据中所包含的信息,是研究工作的一个重要步骤.遗传算法作为一种新的搜索算法,具有灵活,适应范围广,可以得到全局最优解,并易于并行化等特点,因此受到广泛关注.该文对遗传算法在算法实现中的一些问题以及遗传算法用于数据分析进行了讨论.(一)遗传算法产生新解的方法之一是杂交.将新解加入中间池的方法有多种,该文用Rosenbrock函数考察了其中的三种方法,根据最优解的收敛次数、在线性能和离线性能对它们进行了比较.(二)遗传算法进行搜索的唯一依据就是解的适应度,并且,遗传算法通过适应度函数与具体问题发生联系.(三)准化学近似模型不能描述具有强相互作用的液态合金体系的热力学性质.(四)理论研究中的模型计算要求有较高的计算精度.(五)在研究人员过去的工作中,对于模式投影图的依赖性很大.借助人眼来挑选适合的投影图,存在人为因素影响,而且没有利用计算机的自动运算能力.(六)以前分析高维数据是借助投影图进行的,容易造成信息损失,甚至使得原始空间可以分开的数据在两线投影图上造成不能分开的假象.该文提出了超椭球模型,运用该模型可以在空间直接寻找合理的模型.运用该模型分析了三套工业数据,分别建立了规模模型.三个模型均取得了较高的正确判别率.(七)比较了基于人工神经网络的判别分析和基于遗传算法的判别的分析的不同之处.(八)工业生产过程中影响因素很多,其中有些因素提供的是冗余信息,增加分析的工作量,也有一些因素是干扰信息,影响分析结果.材料研究中收集到的结构和性能关系数据也存在这样的问题.因此,有必要在建模之间进行变量筛选.