Mga Bentahe:
1. Nagtataguyod ng pagkakaiba-iba: Ang mga operator ng Crossover ay idinisenyo upang lumikha ng mga bagong supling sa pamamagitan ng pagsasama-sama ng genetic na materyal mula sa maraming indibidwal na magulang. Nakakatulong ito upang matiyak na ang populasyon ay hindi magiging masyadong homogenous, at nagtataguyod ng pagkakaiba-iba sa loob ng populasyon.
2. Pinapataas ang bilis ng convergence: Maaaring pabilisin ng mga operator ng Crossover ang convergence ng algorithm sa pamamagitan ng pagsasamantala sa kapaki-pakinabang na genetic na materyal mula sa maraming indibidwal. Makakatulong ito na lampasan ang anumang lokal na optima at mas mabilis na maabot ang global optimum.
3. Tumutulong na mapanatili ang magagandang katangian: Makakatulong ang Crossover na mapanatili ang magagandang gene mula sa nakaraang henerasyon sa pamamagitan ng pagsasama ng mga ito sa genetic na materyal ng mga mas bagong indibidwal. Itinataguyod nito ang pinakamahusay na mga katangian sa isang populasyon sa paglipas ng panahon.
Mga disadvantages:
1. Maaaring magdulot ng napaaga na convergence: Ang mga operator ng Crossover ay maaaring magdulot ng maagang convergence sa ilang mga kaso, ibig sabihin, ang populasyon ay nagtatagpo sa isang suboptimal na solusyon sa halip na sa pandaigdigang pinakamainam.
2. Nangangailangan ng mahusay na pagpili ng magulang: Ang mga operator ng crossover ay nangangailangan ng isang mahusay na proseso ng pagpili ng magulang, ibig sabihin, ang mga indibidwal na napili upang maging mga magulang ay dapat na may magkakaibang genetic na materyal. Kung ang mga magulang ay masyadong magkatulad, ang crossover operator ay maaaring hindi makagawa ng sapat na pagkakaiba-iba ng mga supling.
3. Maaaring magastos sa pagkalkula: Ang mga operator ng Crossover ay maaaring magastos sa pagkalkula at maaaring mangailangan ng maraming oras at mga mapagkukunan sa pagkalkula upang makumpleto. Ito ay maaaring maging problema para sa mas malalaking populasyon o mas kumplikadong fitness function.
Petsa ng publikasyon: