在R中我发现了四个软件包使用遗传算法进行参数选择和目标函数优化，如下所示：
1 GALGO
2 genalg
rbga(stringMin=c(), stringMax=c(),
suggestions=NULL,
popSize=200, iters=100,
mutationChance=NA,
elitism=NA,
monitorFunc=NULL, evalFunc=NULL,
showSettings=FALSE, verbose=FALSE)
3 mcga
mcga(popsize, chsize, elitism = 1, minval, maxval, maxiter = 10, evalFunc)
4 rgenoud
genoud(fn, nvars, max=FALSE, pop.size=1000, max.generations=100, wait.generations=10,
hard.generation.limit=TRUE, starting.values=NULL, MemoryMatrix=TRUE,
Domains=NULL, default.domains=10, solution.tolerance=0.001,
gr=NULL, boundary.enforcement=0, lexical=FALSE, gradient.check=TRUE, data.type.int=FALSE, hessian=FALSE, unif.seed=812821, int.seed=53058,print.level=2, share.type=0, instance.number=0,
output.path="stdout", output.append=FALSE, project.path=NULL,
P1=50, P2=50, P3=50, P4=50, P5=50, P6=50, P7=50, P8=50, P9=0,
P9mix=NULL, BFGSburnin=0, BFGSfn=NULL, BFGShelp=NULL,
control=list(), optim.method=ifelse(boundary.enforcement < 2, "BFGS", transform=FALSE, debug=FALSE, cluster=FALSE, balance=FALSE, ...)
上面几个包都是使用遗传算法进行优化，第2个和第3个的使用比较简单，参数也少，第1个和第4个的参数较多。不论哪个，基本的参数都有下面几个：
1 目标函数，这是至关重要的，而且与具体问题联系起来，需要自己定义。
2 变量个数，变量初始值及其值的范围
3 群体大小
4 突变率
5 迭代次数
。。。
这些参数都是最基本的，也是需要自己根据问题慢慢调试的。
