遺伝的アルゴリズム（いでんてきあるごりずむ）
最終更新：2026/4/22
遺伝的アルゴリズムは、生物の進化の過程を模倣した最適化手法であり、探索問題の解決に用いられる。
別名・同義語 進化戦略適応的探索
ポイント
自然選択や遺伝の原理を応用し、複雑な問題空間における最適な解を効率的に探索する。
概要
遺伝的アルゴリズム（Genetic Algorithm: GA）は、生物の進化の過程、特に自然選択と遺伝のメカニズムを模倣した最適化アルゴリズムである。複雑な問題空間において、最適な解を効率的に探索するために用いられる。特に、解の候補が多数存在し、従来の最適化手法では解を見つけることが困難な場合に有効である。
歴史
遺伝的アルゴリズムの基礎は、1960年代にジョン・ホランドによって築かれた。ホランドは、適応度関数と遺伝的操作子を導入し、生物の進化をシミュレーションするモデルを開発した。その後、1970年代にデビッド・ゴールドバーグによって改良され、実用的な最適化手法として広く認知されるようになった。
基本的な流れ
遺伝的アルゴリズムは、以下のステップを繰り返すことで最適解を探索する。
- 初期集団の生成: 解の候補となる個体（染色体）をランダムに生成する。
- 適応度評価: 各個体の適応度を評価する。適応度は、問題に対する解の良さを示す指標となる。
- 選択: 適応度の高い個体を選択する。選択された個体は、次世代の個体生成に用いられる。
- 交叉: 選択された個体同士を交叉させ、新たな個体を生成する。交叉は、親個体の遺伝情報を組み合わせる操作である。
- 突然変異: 生成された個体に、ランダムな変化（突然変異）を加える。突然変異は、探索空間の多様性を維持するために重要である。
- 世代交代: 新たに生成された個体で、現在の集団を置き換える。
これらのステップを繰り返すことで、集団全体の適応度が高まり、最終的に最適な解に近づくことが期待される。
応用例
遺伝的アルゴリズムは、様々な分野で応用されている。