并行遗传算法将并行计算机的高速并行性和遗传算法固有的并行性相结合，极大地提升了遗传算法的求解速度和质量。在主从式0细粒度和粗粒度这三类遗传算法并行化模型中，粗粒度模型以其较小的通讯开销和对种群多样化，获得了最广泛的应用。本文概括了基于模式定理和有限状态马尔可夫链的遗传算法理论，总结了前人在粗粒度模型下开展的理论分析和实践应用，并指出并行遗传算法的研究将向异步化，理论化和模型化的方向发展-而有限状态马尔可夫链是构建并行遗传算法可执行模型的有力工具。-Parallel genetic algorit

一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。 在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序