تکنيک‌هاي محاسبات نرم، به هدف حل مسائل پيچيده با استفاده از روش‌هاي غيردقيق براي ارائه‌ي پاسخ‌هاي مفيد اما غيردقيق ارائه شده‌اند. برخلاف طرح‌هاي محاسبات سخت که پاسخ دقيق و کامل را جست‌وجو مي‌کنند، تکنيک‌هاي محاسبه‌ي نرم با راه‌دادن به روش‌هاي نادقيق، از پاسخ‌هايي نيمه‌درست و غيرقطعي براي مسائل خاص سود مي‌جويد. الگوريتم‌هاي ژنتيک که يکي از تکنيک‌هاي محاسبه‌ي نرم هستند، در اين سال‌ها به ابزارهاي محبوبي براي مسائل بهينه‌سازي تبديل شده‌اند. با اين حال زمان زيادي که اين الگوريتم‌ها براي يافتن پاسخ نزديک‌به‌بهينه صرف مي‌کنند، همواره استفاده از آن‌ها را براي حل مسائل بهينه‌سازي دشوار مي‌سازد. بر خلاف روش‌هاي دقيق، که در آن‌ها کارائي زماني الگوريتم اصلي‌ترين معيار اندازه‌گيري ميزان موفقيت آن است، در الگوريتم ژنتيک و ساير محاسبات نرم دو موضوع اصلي، در ارزيابي مورد توجه قرار مي‌گيرند: اينکه پاسخ چه‌قدر سريع پيدا مي‌شود؟ واينکه از بهينه‌ي اصلي چه‌قدر فاصله دارد؟ موازي‌سازي الگوريتم‌هاي ژنتيک، يکي از اساسي‌ترين و بهترين راه‌هايي است که مي‌تواند زمان بسيار زياد مورد نياز براي انجام گرفتن محاسبات ژنتيکي و رسيدن به نتيجه‌ي مطلوب براي حل مسئله توسط آن‌ها را به حد قابل قبولي برساند و امکان استفاده از اين الگوريتم‌ها را، در زمان قابل قبول، فراهم کند. الگوريتم‌هاي ژنتيک موازي چه به لحاظ دست‌يابي به برازندگي بهتر براي کروموزوم‌ها (نتيجه‌ي مطلوب‌تر) و چه به لحاظ دسترسي به تسريع بالاتر و مقياس‌پذيريِ بيشتر، بهتر از الگوريتم‌هاي ژنتيک ترتيبي و تک‌جمعيتي عمل مي‌کنند.
فهرست :
مقدمه
پیدایش الگوریتم ژنتیک و روند اجرای آن
نحوه ی نمایش
گام ارزیابی و گام انتخاب
عملگرهای ژنتیک
سایز جمعیت
پارامترهای crossover 11
Exploration & Exploitation 13
چالشهایی که GA با آن رودررو است
فاکتورهای موثر در PGA 11
یادداشت های تاریخی روی PGA 11
نحوه ی کنترل در سیستمهای موازی
چگونه GA را موازی کنیم
طبقه بندی PGA 16
معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی
نتیجه گیری
منابع و مراجع