Prognozowanie polega na określaniu wartości parametru przy jednoczesnym zachowaniu stałości lub tendencji zmian wybranych charakterystyk. Jednocześnie istnieją kryteria oceny jakości prognozy. Fakt ten sugeruje celowość poszukiwania nie tyle innych metod prognozowania (charakteryzujących się lepszymi cechami jakościowymi), ile w ramach danej metody innych parametrów funkcji prognostycznej. Taką możliwość zapewni nam iteracyjność procedur genetycznych. Inną zaletą metod genetycznych jest ich elastyczność, jeżeli chodzi o postać funkcji przystosowania oraz mnogość form funkcji prognostycznych, z których można wyłonić najbardziej adekwatnie opisującą badane zjawisko.
W środowisku rozproszonym możemy mieć do czynienia zarówno z rozproszeniem danych, jak i z rozproszeniem procesów. Problemy związane z takimi strukturami polegają na rozwiązywaniu zagadnień optymalizacyjnych, zmierzających do równomiernego obciążenia węzłów sieci, minimalizacji przepływów, minimalizacji rozpiętości drzewa sieci etc. Włączenie opisów i procedur genetycznych nie będzie przykładem zastosowania szybkiego i precyzyjnego narzędzia do optymalizacji, lecz niejako ożywi sieć, śledząc na bieżąco wszystkie transfery procesów oraz danych i może dostarczać informacji wykorzystywanych do usprawnienia pracy i dystrybucji w sieci. Wadą genetycznej optymalizacji jest długi czas jej realizacji, lecz równolegle śledzenie stanów i efektów decyzji sterujących przepływem procesów i danych pozwoli na równomierne rozłożenie zadań.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.