Критика

Існує кілька причин для критики на рахунок використання генетичного алгоритму в порівнянні з іншими методами оптимізації:

1.  Повторна оцінка функції пристосованості (фітнес-функції) для складних проблем, часто є чинником, що обмежує використання алгоритмів штучної еволюції. Пошук оптимального рішення для складної задачі високої розмірності часто вимагає дуже витратної оцінки функції пристосованості. У реальних задачах, таких як задачі структурної оптимізації, єдиний запуск функціональної оцінки вимагає від кількох годин до декількох днів для проведення необхідних обчислень. Стандартні методи оптимізації не можуть впоратися з проблемами такого роду. У такому випадку, може бути необхідно знехтувати точною оцінкою і використовувати апроксимацію придатності, яка здатна бути обчислена ефективно. Очевидно, що застосування апроксимації придатності може стати одним з найбільш багатообіцяючих підходів, що дозволять обгрунтовано вирішувати складні завдання реальному житті за допомогою генетичних алгоритмів.

2. Генетичні алгоритми погано масштабуються під складність розв'язуваної проблеми. Це означає, що число елементів, схильних до мутації дуже велике, якщо великий розмір області пошуку рішень. Це робить використання даної обчислювальної техніки надзвичайно складним при вирішенні таких проблем, як, наприклад, проектування двигуна, будинку або літака. Для того щоб зробити так, щоб такі проблеми піддавалися еволюційним алгоритмам, вони повинні бути розділені на найпростіші представлення даних проблем. Таким чином, еволюційні обчислення використовуються, наприклад, при розробці форми лопатей, замість всього двигуна, форми будівлі, замість докладного будівельного проекту та форми фюзеляжу, замість розробки вигляду всього літака. Друга проблема, пов'язана зі складністю, криється в тому, як захистити частини, які еволюціонували з високо придатних рішень від подальшої руйнівної мутації, зокрема тоді, коли від них вимагається хороша сумісність з іншими частинами в процесі оцінки придатності. Деякими розробниками було запропоновано, що підхід, який передбачає розвиток придатності еволюцій рішень, зміг би подолати ряд проблем із захистом, але дане питання все ще залишається відкритим для дослідження.

3. Рішення є більш придатним лише в порівнянні з іншими рішеннями. В результаті умова зупинки алгоритму неясна для кожної проблеми.

4. У багатьох задачах генетичні алгоритми мають тенденцію сходитися до локального оптимуму або навіть до спірних моментів, замість глобального оптимуму для даної задачі. Це означає, що вони «не знають», яким чином пожертвувати короткочасною високою придатністю для досягнення довгострокової придатності. Ймовірність цього залежить від форми ландшафту придатності: окремі проблеми можуть мати виражений напрямок до глобального мінімуму, в той час як інші можуть вказувати напрямок для фітнес-функції на локальний оптимум. Цю проблему можна вирішити використанням іншої фітнес-функції, збільшенням імовірності мутацій, або використанням методів відбору, які підтримують різноманітність рішень в популяції, хоча Теорема про відсутність безкоштовного обіду при пошуку та оптимізації доводить, що не існує загального рішення даної проблеми. Загальноприйнятим методом підтримки популяційного різноманіття є встановлення рівневого обмеження на чисельність елементів з високою спорідненістю, яке знизить число представників східних рішень у наступних поколіннях, дозволяючи іншим, менш подібним елементам залишатися в популяції. Даний прийом, тим не менш, може не увінчатися успіхом залежно від ландшафту конкретної проблеми. Іншим можливим методом може служити просте заміщення частини популяції випадково згенерованими елементами, в момент, коли елементи популяції стають занадто подібні між собою. Різноманітність важлива для генетичних алгоритмів (і генетичного програмування) тому, що перехрест генів у гомогенної популяції не несе нових рішень. У еволюційних стратегіях і еволюційному програмуванні, різноманітність не є необхідністю, так як велика роль у них відведена мутації.

5. Мається багато скептиків щодо доцільності застосування генетичних алгоритмів. Наприклад, Стівен С. Скіена, професор кафедри обчислювальної техніки університету Стоуні-Брук, відомий дослідник алгоритмів, лауреат премії інституту IEEE пише: «Я особисто ніколи не стикався ні з одним завданням, для вирішення якої генетичні алгоритми виявилися б найбільш відповідним засобом. Більше того я ніколи не зустрічав жодних результатів обчислень, отриманих за допомогою генетичних алгоритмів, які справляли б на мене позитивне враження.