开放式遗传算法及其在水资源优化配置中的应用
遗传算法在水资源管理中的应用案例研究
遗传算法在水资源管理中的应用案例研究近年来，随着全球水资源短缺问题的日益突出，水资源管理成为了各国政府和学者们关注的焦点。
为了更好地解决水资源管理中的复杂问题，遗传算法作为一种优化算法被广泛应用于水资源管理领域。
本文将通过一个实际案例，探讨遗传算法在水资源管理中的应用。
案例背景是一个位于亚洲的发展中国家，该国的水资源管理面临着多个挑战，包括水资源分配不均、水污染问题以及水资源利用效率低等。
为了解决这些问题，该国政府决定采用遗传算法来进行水资源管理优化。
首先，该国政府收集了大量的水资源数据，包括水源地的水量、水质、水利用情况等。
然后，他们建立了一个数学模型来描述水资源管理的目标和约束条件。
该模型考虑了水资源供需平衡、水质保护和经济效益等因素。
接下来，他们使用遗传算法来求解这个复杂的优化问题。
遗传算法是一种模拟生物进化过程的优化算法，通过模拟遗传、变异和选择等过程，逐步优化问题的解。
该国政府将水资源管理问题转化为一个遗传算法的优化问题，并使用计算机程序来实现算法。
在遗传算法的实施过程中，该国政府首先确定了适应度函数，用来评估每个解的优劣程度。
适应度函数考虑了水资源供需平衡、水质保护和经济效益等多个因素，并给出了一个综合评价指标。
然后，他们设计了遗传算法的基本操作，包括选择、交叉和变异等。
选择操作根据适应度函数的值来选择优秀的解，交叉操作通过交换解的基因来产生新的解，变异操作通过改变解的基因来增加解的多样性。
通过多次迭代，该国政府最终得到了一组优化的水资源管理方案。
这些方案在水资源供需平衡、水质保护和经济效益等方面都取得了显著的改善。
例如，他们成功地提高了水资源利用效率，减少了水资源的浪费。
同时，他们也成功地改善了水质状况，保护了水源地的生态环境。
这个案例研究表明，遗传算法在水资源管理中具有较高的应用潜力。
通过将复杂的水资源管理问题转化为遗传算法的优化问题，可以更好地解决水资源管理中的多目标、多约束问题。
基于遗传算法的水资源系统优化配置
基于遗传算法的水资源系统优化配置一、前言随着人口的增长和经济的发展，水资源已成为全球社会发展的瓶颈之一。
如何高效地配置和利用水资源，成为各国关注的热点问题之一。
本文将介绍基于遗传算法的水资源系统优化配置。
二、水资源系统概述水资源系统主要包括水源地、水库、调节池、输水系统、供水系统等各个环节，其优化配置旨在提高水资源的利用效率以满足不同需求。
三、遗传算法原理遗传算法是模拟生物进化过程的一种优化算法，主要包括编码、选择、交叉、变异等操作。
其中，编码是将问题的解表示为基因型，选择是选择适应度较高的个体作为下一代的父母，交叉是利用交叉操作将两个个体的染色体进行部分交换杂交，变异则是在某些个体上引入少量随机扰动，以增加种群的多样性。
四、基于遗传算法的水资源系统优化配置4.1 问题建模优化问题的建模是通过数学方法将问题转换为数学模型，以求解数学的最优解。
在水资源系统中，常用的优化目标包括最小化投资成本、最大化供水量、最小化污染排放等。
以最小化投资成本为例，问题建模如下：假设有n个水源地、m个调节池、k个水库，每个节点的供水容量vi、投资成本ci已知。
水源地可以通过输水系统与调节池相连，调节池可以将来自各个水源地的水量进行调整并向水库输送。
输送过程中可能存在水量损耗h，输送距离d。
水库可以通过管道或者渠道向供水系统中输送水量。
管道和渠道的输送能力Fi、投资成本si已知。
现在需要在给定供水量的条件下，使总投资成本最小。
4.2 遗传算法实现（1）编码将问题的解表示为基因型。
以调节池的选择问题为例，每个个体的染色体表示为0或1，表示是否选择该调节池。
染色体的长度与调节池数量相同。
（2）适应度函数适应度函数是用来评估个体适应度的数学函数。
以投资成本最小化为例，设S为某个个体的选择调节池集合，方案的投资成本为C(S)=∑ci(i∈S)+∑si×Fj×dji×(1+h)×qi其中，ci表示第i个水源地的投资成本，S表示选择的调节池集合，si表示第j条水管的投资成本，Fj表示水管的输送能力，dji 表示第i个水源地到第j个调节池的距离，h表示输送过程中的水量损耗，qi表示第i个水源地到达调节池j时的流量。
基于遗传算法的供水系统优化调度研究
基于遗传算法的供水系统优化调度研究供水系统是城市重要的基础设施之一，确保居民正常用水是其首要任务。
然而，由于供水系统涉及到复杂的水资源管理、水压控制以及布局等问题，如何实现系统的优化调度一直是供水管理者面临的挑战之一。
为了解决这个问题，研究者们开始应用遗传算法作为一种优化工具来进行供水系统的调度研究。
基于遗传算法的供水系统优化调度研究旨在通过模拟和优化供水系统的运行状态和性能，提供最佳的供水方案。
遗传算法是一种群体搜索的优化算法，其思想来源于生物遗传学中的基因演化和群体优化。
通过对问题解空间的搜索和演化，遗传算法可以找到较优的解决方案。
在供水系统优化调度研究中，遗传算法的应用主要包括两个方面：参数优化和决策制定。
首先，通过遗传算法对供水系统中的参数进行优化，以提高系统的运行效率和性能。
例如，通过调整供水管道的直径、水泵的流量等参数，可以实现对系统能效的提升。
其次，遗传算法可以辅助决策者进行决策制定，包括供水系统的优化布局、管网规划等重要决策。
通过遗传算法优化调度，可以使得供水系统更加可靠、稳定和高效。
为了进行基于遗传算法的供水系统优化调度研究，需要对供水系统进行建模和仿真。
首先，需要对供水网络进行拓扑结构建模，包括供水管道、水泵站、水源等要素。
其次，需要对供水系统的水力学特性进行建模，以了解水流的速度、压力等参数。
最后，需要设置优化目标和约束条件，并将其转化为适应度函数，用于遗传算法的优化搜索过程。
基于遗传算法的供水系统优化调度研究面临一些挑战。
首先，供水系统具有复杂的结构和多样的参数配置，如何找到最优解决方案需要考虑到多个因素的综合影响。
其次，供水系统是一个动态的系统，具有时变性和不确定性，需要在不同的工况下进行调度优化。
此外，供水系统涉及到大量的约束条件，如供水压力、水质等，如何在满足约束条件的前提下进行优化调度是一个难题。
为了解决这些挑战，可以采取以下研究方法。
首先，可以引入多目标优化技术，通过优化多个目标函数来得到供水系统的 Pareto 最优解。
基于遗传算法的水利系统优化设计研究
基于遗传算法的水利系统优化设计研究随着科技的不断发展，人类对于水利系统的需求越来越大。
水利系统的主要作用是防洪、灌溉、供水等。
为了实现这些目标，设计和优化一个高效的水利系统至关重要。
与此同时，由于水利系统的设计所影响的范围较大，因此设计时有许多不确定的因素需要考虑。
遗传算法可以提供一种有效的优化方法，以最小化系统的运营成本并同时考虑各种不确定因素。
因此，本文将探讨遗传算法在水利系统优化设计中的应用。
一、遗传算法的由来遗传算法是一种数学和计算机科学方法，模拟自然选择和遗传规律。
遗传算法起源于1975年。
斯特劳夫教授（Prof. John Holland）首次提出了遗传算法的概念。
该方法从生物学中的自然选择和遗传“进化”规律中汲取灵感，用数字模拟方式将生物学规律具体应用到优化问题中。
二、遗传算法的应用遗传算法可以用于各种优化问题。
其优越性在于它可以在优化的过程中综合考虑多个不确定因素。
在水利系统优化设计中，常用的不确定因素包括天气变化、水流量、地形等。
利用遗传算法，可以将这些因素作为优化模型的输入参数，以获得最优的解决方案。
三、遗传算法在水利系统优化设计中的应用遗传算法在水利系统优化设计中的应用已经得到广泛的研究。
研究中通常通过建立一个数学模型，将各种不确定因素作为初始参数输入，然后通过遗传算法来优化模型。
以水库水文泥石流灾害防御系统为例，当水库容量和泄洪口流量发生变化时，遗传算法可以自动优化系统的调度策略，以最小化对下游影响的损害。
另一个例子是利用遗传算法来优化灌溉系统的布局方式。
在灌溉系统的设计中存在多个不确定因素，如土壤类型、降雨等因素都会对灌溉系统的设计产生影响。
遗传算法可以通过综合考虑这些因素来确定最佳布局方案，以提高灌溉效率。
四、遗传算法的优势遗传算法在解决复杂问题时具有一些独特的优势。
遗传算法不需要先验模型知识，因此可以应用于不断变化的领域。
此外，遗传算法可以利用模拟操作来优化复杂的优化模型，并为相关人员提供可行的优化方案。
水利工程水资源调度的智能优化算法
水利工程水资源调度的智能优化算法水资源是人类生存和发展的重要基础，尤其在水资源稀缺的情况下，水利工程水资源调度变得尤为重要。
为了实现对水资源的合理利用和优化调度，智能优化算法被广泛应用于水利工程中。
本文将介绍几种常用的智能优化算法，并探讨其在水利工程水资源调度中的应用。
一、遗传算法遗传算法是模拟生物进化过程的一种优化算法，通过模拟“适者生存，不适者淘汰”的过程，逐步寻找到问题的最优解。
在水利工程水资源调度中，遗传算法可以通过调整灌溉和供水的方案，实现对水资源的最优利用。
例如，可以通过调整灌溉时间和灌溉量，使得作物的灌溉需求得到满足的同时，节约水资源的使用。
二、粒子群算法粒子群算法模仿鸟群觅食的过程，通过模拟个体之间的信息传递和学习，最终找到最优解。
在水利工程水资源调度中，粒子群算法可以用于调度水库的蓄水和放水策略，以实现对水资源的合理调度。
例如，可以通过调整水库的蓄水线和出水线，控制水库的蓄水和放水速度，以适应不同季节的用水需求。
三、人工鱼群算法人工鱼群算法模拟鱼群觅食的行为，通过个体之间的信息传递和聚群，搜索到最优的解决方案。
在水利工程水资源调度中，人工鱼群算法可以用于调度灌溉系统中的喷灌器和滴灌器，以实现对灌溉水源的最优分配。
例如，可以通过调整喷灌器和滴灌器的布局和工作时间，使得灌溉水源能够覆盖作物的生长需求，减少水资源的浪费。
四、模拟退火算法模拟退火算法模拟金属退火过程，在局部搜索和全局搜索之间不断进行权衡，最终找到最优解。
在水利工程水资源调度中，模拟退火算法可以用于调度流域内不同河道的水量分配，以实现对水资源的优化利用。
例如，可以通过调整河道之间的水流量分配，满足不同地区的用水需求，避免水资源的过度集中或浪费。
综上所述，智能优化算法在水利工程水资源调度中具有重要意义。
遗传算法、粒子群算法、人工鱼群算法和模拟退火算法都可以应用于水资源调度中，通过优化水资源的利用，实现对水利工程的有效管理。
利用遗传算法优化水资源配置方案构建
利用遗传算法优化水资源配置方案构建水资源是人类生活和经济发展不可或缺的重要资源，合理配置水资源的方案对于实现可持续发展至关重要。
遗传算法作为一种优化方法，可以帮助优化水资源配置方案的构建，从而实现高效利用保障水资源的可持续利用。
在构建利用遗传算法优化水资源配置方案时，首先需要明确目标函数和约束条件。
目标函数可以是最大化供水量、最小化水资源投入、最大化农田灌溉覆盖面积等，而约束条件则涵盖了水资源的可持续性、供需平衡、生态环境保护等方面的要求。
其次，对水资源配置方案的可行解进行编码。
编码形式可以采用二进制编码，将方案中的决策变量表示为二进制字符串，也可以采用浮点数编码，将决策变量表示为浮点数。
编码的选择需要根据具体问题的特点进行权衡，以提高计算效率和解的精度。
接下来是适应度函数的设计。
适应度函数用于评估染色体（即编码后的解）的优劣，即衡量方案的可行性和满足目标函数的程度。
适应度函数的选择需要综合考虑目标函数和约束条件，可以采用加权和的形式来综合考虑多个目标。
在遗传算法的迭代过程中，需要进行选择、交叉和变异操作，以产生新的子代种群。
选择操作根据染色体的适应度来选择优秀的个体，保留下来参与下一代的繁殖。
交叉操作通过随机选择两个个体，将其染色体部分进行基因交换，从而产生新的子代个体。
变异操作则是对染色体中的基因进行随机扰动，以增加种群的多样性。
经过多轮的选择、交叉和变异，遗传算法会逐渐找到适应度较高的优秀个体，从而优化水资源配置方案。
在算法的收敛过程中，可以采用遗传算法的改进策略，如精英保留、种群多样性的维持等，以进一步提高优化的效果。
另外，为了验证优化水资源配置方案的效果，可以采用仿真和实验等方法进行评估。
通过建立合适的模型，对不同方案进行对比分析，评估其对水资源利用效率、生态环境保护等方面的影响。
总结起来，利用遗传算法优化水资源配置方案的构建是一个复杂而有挑战性的任务。
通过明确目标函数、约束条件，设计合适的编码和适应度函数，运用选择、交叉和变异操作，最终可以得到满足要求的优化水资源配置方案。
遗传算法在水资源管理中的实际应用
遗传算法在水资源管理中的实际应用随着全球人口的增长和经济的发展，水资源管理变得越来越重要。
如何高效地利用和保护水资源成为了一个亟待解决的问题。
在这个背景下，遗传算法作为一种优化方法，被广泛应用于水资源管理领域。
遗传算法是一种仿生学的优化算法，模拟了自然界中生物进化的过程。
它通过不断迭代、选择、交叉和变异的方式，寻找问题的最优解。
在水资源管理中，遗传算法可以应用于多个方面，包括水资源分配、水质监测和水灾风险评估等。
首先，遗传算法在水资源分配中发挥着重要的作用。
水资源分配是指根据不同的需求和限制条件，将有限的水资源分配给不同的用户或用途。
传统的方法往往只考虑少数几个因素，而遗传算法可以综合考虑多个因素，如水源地的距离、水质要求、用水量等，从而得出更为合理和优化的分配方案。
其次，遗传算法在水质监测中也有广泛应用。
水质监测是指对水体中各种污染物的浓度和质量进行监测和评估。
传统的方法往往需要大量的人力和物力投入，而且往往只能监测到有限的几个指标。
而遗传算法可以通过优化监测站点的布置，使得监测结果更加全面和准确。
同时，遗传算法还可以通过建立水质预测模型，对未来的水质进行预测和预警，从而及时采取措施保护水质。
最后，遗传算法在水灾风险评估中也发挥着重要的作用。
水灾风险评估是指对水灾发生的可能性和影响程度进行评估和预测。
传统的方法往往只考虑少数几个因素，如降雨量和地形等。
而遗传算法可以综合考虑多个因素，如土壤类型、植被覆盖率和城市化程度等，从而得出更为准确和全面的水灾风险评估结果。
同时，遗传算法还可以通过优化防灾设施的布置和规划，提高水灾的应对能力。
综上所述，遗传算法在水资源管理中有着广泛的应用。
它可以在水资源分配、水质监测和水灾风险评估等方面发挥重要作用。
通过综合考虑多个因素，遗传算法可以得出更为合理和优化的方案，提高水资源的利用效率和保护水资源的能力。
未来，随着技术的不断发展和算法的不断完善，遗传算法在水资源管理中的应用将会越来越广泛，为解决水资源管理问题提供更多有效的解决方案。
《2024年基于遗传算法的区域水资源优化配置研究》范文
《基于遗传算法的区域水资源优化配置研究》篇一一、引言随着全球气候变化和人口增长，水资源短缺问题日益突出，对区域水资源进行优化配置显得尤为重要。
遗传算法作为一种模拟自然进化过程的优化算法，具有强大的全局搜索能力和良好的鲁棒性，被广泛应用于水资源管理、生产调度、交通规划等多个领域。
本文旨在研究基于遗传算法的区域水资源优化配置，为解决区域水资源短缺问题提供新的思路和方法。
二、研究背景及意义随着经济的快速发展和城市化进程的加速，水资源短缺问题已经成为制约区域可持续发展的关键因素。
因此，如何对区域水资源进行优化配置，提高水资源的利用效率，成为当前研究的热点问题。
遗传算法作为一种模拟自然进化过程的优化算法，具有全局搜索能力强、适应性强、鲁棒性好等优点，被广泛应用于水资源优化配置领域。
因此，基于遗传算法的区域水资源优化配置研究具有重要的理论意义和实践价值。
三、遗传算法概述遗传算法是一种模拟自然进化过程的优化算法，通过模拟生物进化的遗传学机理，在计算机上实现优化的自动搜索。
其主要思想是将问题的求解过程转化为类似生物进化中的染色体基因的交叉、变异等过程，通过不断地迭代和进化，得到问题的最优解。
遗传算法包括选择、交叉、变异等操作，能够在搜索过程中自动获取和指导优化的搜索空间，自适应地调整搜索方向，从而更好地找到全局最优解。
四、基于遗传算法的区域水资源优化配置研究针对区域水资源优化配置问题，本文提出了一种基于遗传算法的优化方法。
首先，根据区域水资源的实际情况，建立水资源优化配置模型。
其次，利用遗传算法对模型进行求解，通过选择、交叉、变异等操作，得到问题的最优解。
最后，将优化结果应用于区域水资源的实际管理中，提高水资源的利用效率。
在研究过程中，我们选取了某个区域作为研究对象，收集了该区域的水资源数据和社会经济数据。
根据数据的实际情况，建立了水资源优化配置模型。
在模型中，我们将水资源分配、水质保护、水利工程运行等多个因素纳入考虑范围，以实现水资源的综合优化配置。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
水 资源优 化配 置模 型一 般 是多 目标 、 多变 量 、 约束 、 多 多关 联 、 线 性 的 ， 找有 效 的模 型求 解 方 法 是必 非 寻
（ｉ Ｘ）＝∑ ｌ ｉｌ （ ） ｇＸ
．
（） １
＝１ Ｍ
ｒｔ ＝ ｉ
专 （ １ 置
（ ２ ）
控 制 系数 ，
式 中 ： —— 所有 不 等式 约束 个数 ；，Ｘ ） ｎ ｇ（ ｉ—— 第 ｉ 解 向量在 第 － 不等式 约 束 中的取 值 ； 个 『 个 卜 其取 值 大小受 计算 速度 和精 度要 求控 制 ； — — 种群 规模 ．
要的 ． 遗传算法在水资源优化配置模型求解中的应用具有广阔的前景ｌ ． ＿ 但这些研究 多是探讨性 的， ｌ 很多问
题还 需进 一 步研究 ． 际优 化模 型 中 ， 实 只有独立 约束 的情 况是很 少 见 的 ， 大部 分优 化模 型 都存 在关联 约束 ， 在
这种情况下 ， 采用遗传算法求解时， 两个重要的遗传操作交叉和变异之后都会 出现相当 比例 的不可行个体 ， 对 不可行 个体 直接 进行 交叉 、 异 、 择 显然是 不 合适 的 ， 变 选 不可行 个 体 的处理 方法 既影 响算 法 的求解 效果 ， 又 影响算法 的求解效率 ． 目前对不可行个体处理方法 的研究较少 ， 寻找合适 的处理不可行个体的方法是遗传算 法求解 优化模 型 研 究 的一 个 重 点 ． 于 不 可 行 个 体 的处 理 方 法 主 要 有 试 探 法 、 函数 法 ｌ 、 行 解 搜 索 对 罚 ＿ 可 ５ Ｊ 法ｌ ． ＿ 试探法效率低， ６ 并且使遗传算法更加接近随机搜索算法 ． 函数法具有对 目标 函数形态的歪 曲、 罚 严重
Ｖｏ ． ５ Ｎｏ ３ １３ ．
Ｍ ａ Ｏ ｖ ２ Ｏ７
开 放 式 遗 传 算 法 及 其在 水 资 源优 化 配 置 中 的应 用
董贵 明 ， 束龙仓 陈南祥２ ，
（． １河海 大学水 资源环境学院 ， 江苏 南京 ２０９ ； ． １０８ ２ 华北 水利水电学院岩土工程 系 ， 河南 郑州 ４００ ） ５０ ８
维普资讯
河 海 大 学 学 报 （自 然 科 学 版 ）
第３ ５卷
浮点数 ａ２ ，个染色体对应的基因按照下列方式进行交叉． ¨ ２ 设 Ｉ ，Ｉ是配对父代染色体中的２ ’ 个基因， 通过 杂交获得的 ２ 个后代 基因［ｊ 口 ２ ＋ １ ）２ 和ａ （ ＋ １ ）ｌ． １ （ 一 ２ ｋ ２ （ 一 ¨ ｏ
２０ ０７年 ５ 月
河 海 大 学 学 报 （自 然 科 学 版 ）
Ｊｕ ａ ｏ Ｈ ｈｉ ｎ ｅ ｉ （ ａ ｒｌ ｅ ｎｅ） ｏｒ ｌ ｆ ｏａ Ｕ ｉ ｒｔ Ｎ ｔ ａ Ｓｉ ｃｓ ｎ ｖ ｓｙ ｕ ｅ
依赖 问题本 身 等特 点 ． 解 搜索 法 的思想 为 采用 一定 的策 略修 正非 可行 个 体 ． 文采 用 开放式 遗传 算 法求 可行 本 解优 化配 置模 型 ， 可行个 体 采用 可行 解搜 索 法处 理 ， 用 搜 索种 群 和 参考 种 群 协 同进 化 ， 搜 索种 群 中保 不 使 在
摘 要 ： 分析 遗 传算 法 求解过 程 中对 不可行 个体 处理 方 法 的基 础 上 ， 出开放 式遗 传 算 法 ， 在 提 即在 传 统 遗传 算 法 中加 入 一个 必要 的基 本过 程—— 修 正 ， 来处理 交叉、 用 变异产 生的不 可行 个体 ． 绍 了开 介 放 式遗传算 法的基本 流程 ， 并使 用两个优化模 型进行 算法性 能测试 ． 用开放 式遗传 算 法对 南水北调 采 中线河 南受 水 区内郑 州市水资 源进行优 化 配置 ， 结果表 明 ， 该算 法能够有效地 处理不 可行 个体 ． 关键 词 ： 开放 式 遗传 算法 ； 资源优 化 配置 ； 可行 个体 ； 正 ； 水 不 修 南水 北调 中线
留一 定 比例 的不可行 个体 ．
１ 开放 式 遗 传 算 法
１ １ 计 算步骤 ． ａ 实 数编 码 ． ．
ｂ ．种群 生成 ． 算法 使 用 ２个 种群 协 同进 化 ． 考种 群完 全 由可行 个 体构成 ， 索种 群 中包含 一 定 比例 的 参 搜 不可行 个体 ． 利用 不 可行度 和 阈值来 判 断个体 是 否为 不 可行个 体 ， ２ 量分 别定 义 为￣９ 这 个 ８］ －
收 稿 日期 ￣０６ ０ —６ ２０ —７ ２ 基 金 项 目 ： 利 部 科 技 创 新 资 助 项 目 （Ｃ ２０－５ ；０４年 河 南 省 杰 出 人 才 创 新 基 金 资 助 项 目（４ １０３０ 水 Ｓ Ｘ ０ ３０ ）２０ ０ ２０００ ）
作者简介： 董贵 明（９ ９ ） 男 ， １７ 一 ， 黑龙江佳 木斯人 ， 士研究 生 ， 博 主要从 事地水资源评 价与管理研究 ．
ｃ 选 择 ． 用适 应值 比例 选 择和精 英 选择 相结 合 的方法 ． 选择 可行 个体 ， ． 使 先 选择 个 数 为种 群 规定 的可行 个体 数 ， 可行 度为零 和 不为零 的个 体 应该 分开 排 序 ． ｄ 交 叉 ． 每个 染 色体产 生 一个 在 区间 ［ ，］ 随机浮 点数 ｒ如 果 ｒ ｃ交叉 概 率 ）选 择 给定 的染 色 ． 对 ０ １的 ， ＜Ｐ （ ， 体进 行杂交 ， 随机地 对被 选 择染 色体 配对 ， 每一 对染 色体 ， 对 产生 Ｃ（ Ｃ为变 量 的个数 ） 在 区间 ［ ，］ 随机 个 ０ １的