Размышляя о кроссовере, важно думать о фитнес-ландшафте.
Рассмотрим гипотетический сценарий, в котором мы применяем генетический алгоритм, чтобы найти решение, которое хорошо справляется с 2 задачами. Это может быть из примера Франка (перемещение и стрельба) для ИИ, или, возможно, это может быть предсказано 2 выхода в сценарии обучения генетической машине, но на самом деле большинство сценариев, где применяются GA, являются синонимами (даже при решении одной задачи, может быть разные аспекты задачи, которая должна быть решена).
Предположим, что у нас был человек 1, который справлялся с обеими задачами достаточно хорошо, и мы обнаружили серию мутаций, в результате которых появились 2 новых человека, 2 и 3, которые показали лучшие результаты, чем индивидуум 1 в задачах 1 и 2 соответственно. Теперь, хотя оба они являются улучшениями, в идеале мы хотим найти в целом хорошее решение, поэтому мы хотим объединить функции, которые были признаны полезными для нас.
Это где кроссовер приходит; комбинируя геномы индивидов 2 и 3, мы можем найти какого-то нового индивида, который производит смесь их действий. Хотя возможно, что такой индивидуум может быть получен в результате серии мутаций, примененных к индивидууму 2 или индивидууму 3, ландшафт может просто не подходить для этого (например, в этом направлении не может быть благоприятных мутаций).
Вы частично правы поэтому; иногда бывает так, что преимущества кроссовера могут быть воспроизведены с помощью ряда мутаций. Иногда это может быть не так, и кроссовер может сгладить пригодность вашей GA, ускоряя оптимизацию и помогая вашей GA избежать локальных оптимумов.