在環境試驗設備實際操作實踐中，很多參數優化問題是多參數和非線性的，且往往還伴隨著不可微和參數耦合問題。這時用傳統的優化方法解決這種問題效率很低，有時甚至得不出結果。遺傳算法的強魯棒性和有效性為解決這類問題提供一種有效的途徑。
遺傳算法的特點在于，在模擬自然界生物進化過程中，應用了自然界的進化規律，染色體的交叉，變異的現象結合自然選擇過程使得物種不斷向前進化。遺傳算法也因此顯示出了頑強的生命力并且越來越受到重視。但遺傳算法作為一種隨機搜索算法也存在著一些缺點，其中最主要的問題是未成熟收斂（Prematureconvergence PC）問題和進化后期搜索效率下降問題。

在下文中將根據如何解這兩個主要問題改進標準遺傳算法，從而形成自適應遺傳算法。但在此之前首先要明白什么是未成熟收斂，及其形成的原因。未成熟收斂現象是遺傳算法中特有的現象，且十分常見。它指的是，當還未達到全局最優解或滿意解時，群體中不能再產生性能超過父代的后代。其主要特征是種群中個體結構的多樣性急劇下降。
產生未成熟收斂的主要原因有：
一 理論上考慮的選擇、交叉、變異操作是的，它們之間相互協調，能搜索到整個解空間，在時間趨于無窮時以概率一收斂到最優解。但實際過程中，有些問題的求解要求滿足一定的快速性，因此不可能等到時間趨于無窮便要求系統給出當前最優解，所以很難達到理論上的要求。
二 遺傳算法處理的種群的規模是有限的，因而存在隨機誤差。它主要包括取樣誤差和選擇誤差。由于染色體在遺傳操作中只能產生整數個后代，在有限規模的種群中，模板的樣本不可能以任意精度反映所要求的比例，這是產生取樣誤差的根本原因。加上隨機選擇的誤差就可以導致模板樣品數量和理論預測值有很大差別。隨著這種偏差的積累，一些有用的模板將會從種群中消失，有害的模板可能會保留下來，從而引起遺傳漂移，最終導致算法效率降低。
三 所求解的問題是遺傳算法的欺騙性問題。當解決的問題對于標準遺傳算法來說比較困難時，遺傳算法便會偏離尋優方向，這種問題被稱為遺傳算法欺騙問題。
上述三個方面都有可能產生未成熟收斂現象，使得種群中個體結構多樣性過早的丟失，從而使算法陷入局部極值點。http://m.mingxihui.com