遗传算法在多目标优化中的作用 调研报告
基于遗传算法的多目标优化调度问题研究与应用
基于遗传算法的多目标优化调度问题研究与应用引言：多目标优化调度问题是一类在实际生产和管理中十分常见的问题。
尽管经典的优化算法可以解决单一目标的调度问题，但是对于多目标的调度问题，传统的算法往往无法得到最优解。
遗传算法是一种模拟自然进化过程的优化算法，在多目标优化调度问题中展现出一定的优势。
本文将介绍基于遗传算法的多目标优化调度问题的研究与应用。
一、多目标优化调度问题概述多目标优化调度问题是指在多个相互冲突的目标下，通过合理的资源分配和任务调度来达到多个目标的最优化。
这类问题在实际生产和管理中广泛存在，例如生产车间的作业调度、交通路线规划等。
多目标优化调度问题可以描述为一个多目标目标函数的最小化或最大化的优化问题。
二、遗传算法简介遗传算法是一类基于进化思想的优化算法，模拟了生物进化中的自然选择、遗传变异和遗传交叉过程。
遗传算法通过对解空间进行搜索和优化，寻找最优解。
其基本过程包括初始化种群、选择操作、交叉操作和变异操作等。
三、基于遗传算法的多目标优化调度问题研究基于遗传算法的多目标优化调度问题研究主要集中在实现多目标函数的最优化和提高算法性能方面。
1. 多目标函数的最优化在多目标函数的最优化中，遗传算法可以通过引入适应度函数来衡量解的质量。
针对不同的多目标优化调度问题，可以设计不同的适应度函数来评估解的优劣。
例如，对于生产车间的作业调度问题，适应度函数可以考虑作业的完成时间、成本和资源利用率等。
通过不断优化适应度函数，可以获取到更优的解。
2. 算法性能的提高为了提高遗传算法在多目标优化调度问题中的性能，研究者们提出了许多改进的策略。
其中包括种群初始化策略、选择操作策略、交叉操作策略以及变异操作策略等。
通过改进这些策略，可以增加算法的搜索空间和收敛性，提高算法的效率和性能。
四、基于遗传算法的多目标优化调度问题应用基于遗传算法的多目标优化调度问题在实际应用中取得了一定的成果。
1. 生产车间作业调度问题生产车间作业调度是一个典型的多目标优化调度问题。
基于遗传算法的多目标优化问题求解研究
基于遗传算法的多目标优化问题求解研究随着信息时代的到来，优化问题的求解变得越来越常见，而多目标优化的问题更是在许多领域中出现。
然而，由于多目标优化问题的复杂性，传统的优化方法难以有效地解决这些问题。
在这种情况下，遗传算法成为了一种受欢迎的求解多目标优化问题的方法。
遗传算法是一种基于自然选择和遗传机制的优化算法，它模拟了生物进化的过程，通过优胜劣汰和基因重组的方式，逐步寻找最优解。
对于多目标优化问题，遗传算法可以通过建立多个适应度函数来同时寻找多个目标函数的最优解，从而避免了单目标优化的不足。
在遗传算法的多目标优化模型中，存在一个重要的问题，那就是解的多样性问题。
由于存在多个优化目标，这意味着存在多个最优解，而这些最优解往往是不同的，这就要求我们在求解时不能只关注某一个最优解，而是需要考虑多个最优解的搜索和平衡。
为了解决这个问题，研究者们提出了许多优化方法，如多目标遗传算法、多目标模拟退火算法、多目标蚁群算法等等。
多目标遗传算法应用广泛，其主要思路是通过建立两个相对独立的过程：遗传操作和多目标评价。
其中，遗传操作是通过选择、交叉、变异等操作，产生新的个体并进化到最优解的过程；而多目标评价则是对每个个体进行多目标评价，确定其适应度值，以便选择更优的个体。
在这个过程中，为了保证多样性和收敛性之间的平衡，需要采用一些特殊的算法策略，如Pareto优化、非劣解筛选、种群多样性维持等方法。
除了算法策略，参数的设定也是影响多目标遗传算法性能的关键因素之一。
例如，交叉概率、变异概率、种群大小等参数的设定，都会直接影响算法的搜索能力和搜索效率。
为了解决这个问题，研究者们提出了很多自适应参数调整方法，如自适应交叉概率、自适应变异概率等。
除此之外，基于遗传算法的多目标优化问题求解，还需要考虑到其他因素，如初始种群的选择、收敛准则的设定、算法的性能评价等。
这些因素都直接影响到算法的效果和应用范围，因此需要进一步探讨和研究。
遗传算法与多目标优化问题解决研究
遗传算法与多目标优化问题解决研究遗传算法是一种基于自然选择与进化论的分布式算法，它通过模拟生物进化的过程来搜索最优解。
在实际问题中，我们常常面临着多个目标函数的优化问题。
多目标优化问题需要同时考虑多个目标函数，并且需要在一个从所有可行解构成的空间中找到一组解，使得所有目标函数都能够达到最优。
遗传算法是一种常用的解决多目标优化问题的方法。
在遗传算法中，一个解被视为一个个体，并以染色体的形式进行表示。
染色体（或称为个体）的基因组成表达了问题的解空间。
每个基因可以看做是染色体上的一个位置，每个位置可以取不同的值。
一个个体可以看做是解决问题的一组可能解，也就是一个解空间中的一点。
在遗传算法的运算过程中，个体会根据基因序列的适应度（或称为“适应值”）进行选择、交叉和变异等操作，使得新的个体能够更好地适应问题的要求。
适应度是根据目标函数来计算的，即一个个体的适应度测量了它相对于问题域中其他个体的优越性。
在多目标优化问题中，我们需要通过多个目标函数来评价一个个体的适应度。
这就涉及到如何度量一个个体相对于其他个体的优越性。
为了解决这个问题，我们常常会采用多目标函数的贡献度来计算每个目标函数的影响。
多目标遗传算法（MOGA）是一种常见的遗传算法变种，它可以处理多个目标函数之间的相互关系，并且能够找到最优解的一个近似解集。
MOGA算法中，我们通常会采用帕累托前沿（Pareto-frontier）的概念来描述优化结果。
帕累托前沿是一个由所有非劣解所组成的集合，并且没有比这个集合更优的解。
也就是说，帕累托前沿是一个极值点的集合，我们可以在这个集合中找到所有的极优解。
MOGA算法的流程主要包括初始化、进化和选择三个环节。
首先，我们需要随机生成一组初始种群，并对每个个体进行评价。
然后，在进化过程中，我们通过交叉和变异等遗传算子，对种群进行进化。
在每代进化结束后，我们要通过选择操作来筛选出下一代的种群。
与单目标优化问题相比，多目标优化问题的解决方法更加复杂。
基于遗传算法的多目标优化设计研究
基于遗传算法的多目标优化设计研究现如今，优化设计成为了一个越来越重要的话题，特别是多目标优化设计。
遗传算法可以为多目标优化设计提供有效的解决方案，被广泛应用于各个领域，如机械、电子、航空、设计等。
这里，我们将深入探讨基于遗传算法的多目标优化设计研究。
一、遗传算法的基本原理遗传算法是一种模拟自然界生物进化过程的优化算法。
该算法通过模拟遗传、变异、选择等自然规律，对一组初始解进行优化。
其流程主要包括初始化、适应度评估、交叉、变异、选择等步骤。
二、多目标优化设计多目标优化设计主要解决一个系统或产品的多个目标优化问题。
其目标函数包括多个，可能涉及到相互矛盾的要求，例如成本、质量、性能等。
传统的单目标优化设计无法满足多目标优化设计的需求，因此需要寻求其他优化算法。
三、基于遗传算法的多目标优化设计遗传算法作为一种优秀的优化算法也广泛应用于多目标优化设计。
在基于遗传算法的多目标优化设计研究中，主要包括以下几个方面：1.适应度函数的设计适应度函数用于评估一组解的优劣性。
在多目标优化设计中，需要采用多个适应度函数对解进行评估，以此实现多目标的优化。
适应度函数的设计需要符合实际需求，并遵循一定的规律性。
2.决策变量的确定决策变量是遗传算法中决定优化空间的关键要素，决定了搜索空间的大小和优化效果。
在多目标优化设计中，需要在保证搜索空间广度和深度的前提下，确定多个决策变量，从而实现多目标优化。
3.遗传算子的应用遗传算子包括交叉操作和变异操作。
在多目标优化设计中，需要采用多种交叉操作和变异操作，并根据实际情况进行选择。
不同的操作可以对优化结果产生不同的影响，需要进行综合考虑。
4.种群大小的确定种群大小对优化效果具有直接影响。
在多目标优化设计研究中需要进行大量的实验和分析，以此确定合适的种群大小。
在此过程中，需要进行综合权衡，考虑到优化效率和优化质量等多方面因素。
五、结论基于遗传算法的多目标优化设计具有广泛的应用前景。
作为一种高效的优化算法，其可以帮助优化设计者快速、准确地对系统或产品进行优化。
基于遗传算法的多目标优化问题求解研究
基于遗传算法的多目标优化问题求解研究概述：多目标优化问题是现实生活中广泛存在的一类问题，对于这类问题求解难度较大，并且往往没有一个唯一的最优解。
基于遗传算法的多目标优化问题求解研究成为了一个研究热点。
本文将研究基于遗传算法的多目标优化问题求解方法。
引言：遗传算法是一种模仿生物进化过程的搜索算法，已经被广泛应用于多目标优化问题的求解中。
多目标优化问题是指在多个冲突的目标函数下，寻求一组最优解来平衡各个目标之间的权衡。
如何有效地利用遗传算法解决多目标优化问题成为了一个研究热点。
方法：基于遗传算法的多目标优化问题求解方法包括以下关键步骤：1. 建立适应度函数：在多目标优化问题中，适应度函数是非常重要的。
适应度函数用于评估每个个体的优劣程度，可通过目标函数的加权求和、Pareto支配关系等方式进行定义。
适应度函数的设计需要兼顾多个目标之间的权衡，并且在求解过程中需要根据具体问题进行调整。
2. 选择操作：选择操作是遗传算法的核心步骤之一，用于选择适应度较好的个体作为父代。
常用的选择算子包括轮盘赌选择、锦标赛选择等。
选择算子的设计需要考虑到多目标优化问题的特性，既要兼顾个体的适应度值，又要保持种群的多样性。
3. 交叉操作：交叉操作是指将已选择的个体进行染色体交叉，产生新的个体。
在多目标优化问题中，交叉操作需要保持新生成个体的性状与父代个体之间的关联，并且需要在多个目标之间进行权衡。
常用的交叉算子包括单点交叉、多点交叉、均匀交叉等。
4. 变异操作：变异操作是指对某些个体进行基因位点的变异，增加种群的多样性。
在多目标优化问题中，变异操作需要兼顾多个目标之间的权衡。
常用的变异算子包括单点变异、多点变异、非一致变异等。
5. 停止准则：停止准则用于判断遗传算法是否达到了终止条件。
在多目标优化问题中，停止准则的设计需要考虑到多个目标之间的权衡以及算法的收敛性。
常用的停止准则包括达到最大迭代次数、满足一定收敛条件等。
应用：基于遗传算法的多目标优化问题求解方法已经被广泛应用于各个领域。
大规模多目标优化问题的遗传算法研究
大规模多目标优化问题的遗传算法研究随着社会发展和科技进步，越来越多的问题需要用计算机来解决。
而在许多实际应用中，我们需要在多个目标之间进行优化，例如在生产计划中需要同时考虑最小化成本、最大化产量和最小化生产时间等目标。
这种情况下，常用的单目标优化方法已经不再适用，需要使用多目标优化方法来解决问题。
遗传算法是一种常用的多目标优化方法。
它是一种基于自然选择和遗传学原理的优化技术，能够在多个可能的解决方案中搜索最优解决方案。
在许多实际应用中，遗传算法已经被广泛应用于多目标优化问题的求解。
遗传算法是一种启发式优化算法，在多目标优化问题中，它可以在一个解空间中搜索多个最佳解。
在遗传算法中，最优解是通过一系列迭代生成的。
这个过程会在一个种群中不断选择、交叉和变异，直到满足停止迭代的条件。
在多目标优化中，遗传算法需要同时考虑多个目标函数，例如最小化成本、最大化产量和最短生产时间。
为了解决这个问题，可以使用多目标遗传算法（MOGA）。
MOGA是一种特殊的遗传算法，它能够同时优化多个目标函数。
在MOGA中，每个解都用一个向量来表示多个目标函数的值。
这个向量被称为偏好向量。
通过组合不同的偏好向量，MOGA可以生成一组满足多个目标函数的最优解。
MOGA将遗传算法的标准操作—选择、交叉和变异—应用到向量空间中，从而可以生成最优的偏好向量组合。
MOGA具有以下几个优点：1. 多目标遗传算法可以在一个解空间中搜索多个最优解。
2. MOGA可以处理多个冲突的目标函数。
3. MOGA可以根据用户需求生成区别解集。
4. MOGA可以有效地处理连续和离散变量。
在遗传算法中，最关键的是设计适应度函数。
适应度函数是用来指导进化过程的，它会根据每个个体的目标函数值对其进行排名。
在多目标优化中，适应度函数的设计是非常复杂的。
通常，我们会比较每个个体的偏好向量，然后通过计算它在偏好向量空间中的距离来评估其适应度。
在多目标遗传算法中，选择操作比单目标遗传算法更为复杂。
遗传算法在多目标优化中的研究
遗传算法在多目标优化中的研究遗传算法（Genetic Algorithm，GA）是计算机科学中最为经典的优化算法之一，其最初的设计思路源于对生物遗传和进化的启发。
在多个领域中得到了广泛应用，尤其在多目标优化中展现了独特的优势。
本文将介绍遗传算法在多目标优化中的研究现状和应用。
一、多目标优化基础在实际生活中，很多问题不是单一指标的优化问题，而是包含多个指标的多目标优化问题。
例如，在物流配送中，需要考虑时间、成本和安全等多个因素，优化方案不仅要尽可能地节约时间和成本，同时还要保证配送安全性。
在设计工程中，需要同时优化结构的重量、强度和刚度等多个指标，以达到最优化的设计方案。
多目标优化问题的最优解并非唯一存在，而是存在一组称为帕累托前沿的解，即无法找到一个解可以在所有目标下都比其他解更优。
这是因为多目标优化问题中各目标往往是相互独立、矛盾、不可调和的，优化一个指标可能会影响其他指标的优化效果。
因此，在多目标优化问题中，需要找到帕累托前沿以及其中的非支配点（Pareto-optimal）作为可行解集，再对可行解集中的各个点进行选择，得到最优解。
二、遗传算法基本原理遗传算法是一种模拟生物进化思想的优化方法，它利用基因编码、基因重组、基因变异等操作，通过对个体进行群体进化和优胜劣汰的过程，从而获得全局最优解。
遗传算法的基本流程如下：1. 初始化种群在遗传算法中，首先需要将问题抽象成一组适应度函数，再将适应度函数表示为目标函数，用基因表示可行解的解空间，并向解空间中随机取种生成初始的种群。
2. 选择操作通过设定一定的选择规则，对种群中的个体进行选择，以保留适应度较高的个体，并筛除适应度较低的个体。
3. 交叉操作在个体间进行随机交换，将交换后的个体作为下一代种群的成员，以增加解空间的多样性。
4. 变异操作对种群中的个体进行随机变异，以保持解空间的不断探索。
5. 判断终止在规定的终止条件下，停止进化过程，将当前得到的最优个体输出作为结果。
利用遗传算法进行多目标优化问题求解研究
利用遗传算法进行多目标优化问题求解研究遗传算法是一种基于遗传学理论的优化算法，其通过模拟进化过程，在多个条件限制下对问题进行求解，从而得到最优解或近似最优解。
多目标优化问题则是指存在多个目标函数需要优化，不同目标往往存在冲突，需要同时考虑多个目标函数的取值。
因此，如何利用遗传算法进行多目标优化问题求解，成为了当前的一个研究热点。
一、遗传算法的基本原理遗传算法基于进化论的思想，通过模拟自然选择、遗传、变异等过程，来实现全局优化。
遗传算法包括三个主要操作：选择、交叉和变异。
1. 选择：通过选择过程筛选出群体中的优秀个体，如采用轮盘赌算法、精英保留算法等。
2. 交叉：通过交叉操作将优秀个体的优良基因进行组合，产生下一代个体。
交叉有单点交叉、多点交叉、均匀交叉等方式。
3. 变异：在交叉后随机对个体进行变异操作，产生新的变异个体。
算法通过迭代过程，逐步优化种群，最终收敛到全局最优解或靠近最优解。
二、多目标优化问题多目标优化问题的主要特点包括不同目标函数的互相矛盾，不能直接将多个目标函数简单叠加成一个目标函数。
同时，多目标问题通常存在非可行域问题、可行域分散问题和过度拟合问题。
解决多目标问题的方法包括：权值法、约束方法、Lebesgue度量法、最小距离法、ε支配法、Pareto支配法等。
其中，ε支配法和Pareto支配法的应用较为广泛。
三、利用遗传算法解决多目标优化问题对于多目标问题，遗传算法的求解方式主要包括单目标优化法和多目标优化法。
单目标优化法将多个目标函数简单地叠加成一个目标函数进行处理，如采用加权函数法和目标规划法等。
多目标优化法则将多目标函数当作是独立的，通过遗传算法的多目标优化方法进行求解。
多目标优化方法包括NSGA、NSGA-II、PAES、SPEA2等多种算法，其中NSGA-II和SPEA2应用最为广泛。
NSGA-II算法的基本思想是：将种群进行分层，并通过保持多样性、最大化拥挤距离等方式来获取Pareto前沿。
- 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)。
遗传算法在多目标优化中的作用调研报告姓名:学院:班级:学号:完成时间:20 年月日目录1 .课题分析................................................................................................................................ 02 .检索策略................................................................................................................................ 02.1 检索工具的选择................................................................................................................................ ......... 0 2.2 检索词的选择................................................................................................................................ ............. 0 2.3 通用检索式................................................................................................................................ .. 03.检索步骤及检索结果 03.1 维普中文科技期刊数据库 03.2 中国国家知识产权局数据库................................................................................................................... 2 3.3 美国工程索引 E NGINEERING V ILLAGE(EI)数据库....................................................................................... 4 3.4 ISI W EB OFK NOWLEDGE(包含WEB OF SCIENCE ANDINSPEC) ............................................................................ 6 3.5 欧洲专利局数据库................................................................................................................................ (9)4.检索体会................................................................................................................................ .................9 5 . 国内外研究概况...............................................................................................................................10 参考文献................................................................................................................................ .. (3)1.课题分析多目标优化问题是近30 年来迅速发展起来的一门新兴学科,属于应用型基础课题, 有着重要和广泛的应用价值。
多目标优化主要是研究多个数值目标在给定约束条件下的最优解的求取。
随着理论研究的不断深入,多目标优化的应用领域也日益扩大,已经涉及到过程控制、航空航天、人工智能、计算科学、许多实际复杂系统的设计、建模和规划问题等诸多领域。
求解多目标问题的传统算法存在许多局限性,并且存在关键致命问题。
1975 年美国密歇根大学教授J.Holland 首次提出了遗传算法,该领域的研究便迅速增长。
遗传算法是在计算机上模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程,进行搜索寻优的算法。
近十几年来,国内外涌现出许多求解多目标问题的遗传算法及其改进形式,这些算法及其改进形式在解决多目标优化问题中得到成功应用,显示出强大的生命力。
本课题的主要目的是通过应用所学的文献检索知识,检索国内外在多目标优化遗传算法的研究进展方面的文献。
通过阅读理解这些文献,掌握该领域的最新研究情况;通过对各种遗传算法适用条件、应用范围及优缺点的分析,以发现该领域研究切入点和今后发展方向。
2.检索策略2.1 检索工具的选择该课题涉及目标规划领域、进化算法领域,属于数学、计算科学。
同时,该课题在众多工程领域中应用广泛。
因此,以下数据库为必检数据库:(1)中文数据库维普中文期刊数据库或万方数据资源系统中国国家知识产权局数据库 (2)外文数据库美国工程索引EI英国科学文摘网络版INSPEC 科学引文索引SCI欧洲专利数据库2.2 检索词的选择在检索词的选择上要注意同义词、近义词、不同拼写方式等。
(1)中文检索词核心检索词:遗传算法、多目标优化其他检索词:进化算法、多目标、多目标规划、多目标决策、优化、传统多目标优化方法、多目标遗传算法在研究课题文献检索初期,主要应用课题的核心词做适当的组配成为检索式,进行文献查找。
对于本课题而言,最核心、最显著的检索词是“遗传算法和多目标优化”。
因为多目标问题应用广泛,所以存在多目标决策、多目标规划、多目标优化等多个检索近义词,如果只检索“多目标优化”,可能会导致检索不到“多目标决策、多目标规划”, 然而这些领域却是多目标问题的重要应用领域。
综上考虑,在检索过程中为提高查全率, 决定将初始检索词定为:“遗传算法和多目标”,即不考虑决策、规划、优化等词。
另外, 对于本课题研究中诸如发展、研究、进展之类的词语太宽泛,故不将其设为检索词,这样也不会影响查全率。
在检索过程中应根据检索结果对检索词做灵活而适当的改变,在保证查全率的情况下保证查准率。
(2)英文检索词核心检索词:genetic algorithm(s)GA,multi-objective optimization problem MOP 其他检索词: evolutionary computation EC, multiobjective,multi-objective optimization,multi-objective decision making,optimization,traditionalmulti-objectiveoptimization methods,multi-objective genetic algorithm对于英文检索词,最值得注意的是截词符的使用,因为英语中一个词义有多种表达形式,尽可能的考虑某些词不同的表现形式,使用截词符可以最大限度的提高查全率。
例如。
对“优化”这个词,至少有“optimization”和“optimizing”等两种表达方式。
所以我们选择“optimiz*”作为检索词。
根据具体的检索情况,可以挑选其中的部分组配组成检索式,以达到本课题的研究目的。
2.3 通用检索式a) 遗传算法*多目标*(进化算法+规划+决策+优化+传统) b) 遗传算法*多目标c) 遗传算法*(进化算法+规划+决策+优化+传统) d) 多目标*(进化算法+规划+决策+优化+传统)e) 进化算法+规划+决策+优化+传统f) geneticalgorithm+genetic algorithm+GA g) evolutionarycomputation+ evolutionary computation+EC+optimization+optimizing+traditional+decision making 这里,“*”表示逻辑“与”,“+”表示逻辑“或”。
检索时可根据数据库和检索结果作相应的调整。
3.检索步骤及检索结果3.1 维普中文科技期刊数据库检索式:(Title_C=遗传算法)*(Title_C=多目标)*((Keyword_C=(传统多目标)+Title_C=(传统多目标))) 由于检索条件限制过于严格,导致只有一篇文献被命中,结果如下:1) 【题名】传统多目标优化方法和多目标遗传算法的比较综述【作者】马小姝、李宇龙、严浪【机构】马小姝(西安电子科技大学,计算机学院,陕西,西安,710071;天水师范学院,物理与信息科学学院,甘肃,天水,741000), 李宇龙,严浪 (天水电气传动研究所有限责任公司,甘肃,天水,741020) 【刊名】电气传动自动化,2010,32(3):48-50,53【ISNN 号】1005-7277【关键词】多目标优化;传统优化方法;遗传算法【中图分类号】TP18 【摘要】多目标优化是最优化领域的一个重要的研究方向。
论述了多目标优化模型,同时介绍了常用的几种传统优化方法和常用的几种多目标遗传算法,对改进后的遗传算法与传统优化方法求解效果进行了比较,认为要进一步研究求解多目标优化问题的更多高效算法,若能结合两者的优点,处理多目标问题的效果将越来越好。
为了能够更好的了解“遗传算法在多目标优化中的作用”,决定将检索式简化为: (Title_C=遗传算法)*(Title_C=多目标),找到约393 篇文献,选出两篇对课题研究进展有重要意义的文献摘录如下:2) 【题名】基于遗传算法的多目标优化方法【作者】钱艳婷,王鹏涛【机构】天津理工大学计算机与通信工程学院,天津300384 【刊名】天津理工大学学报,2010,26(3):20-22【ISNN 号】1673-095X【关键词】遗传算法;多目标优化;AHP(层次分析)方法【中图分类号】TP301;U116 【摘要】文通过建立多目标问题模型,提出了运用改进的遗传算法求解多目标物流网络问题.该算法借鉴AHP 方法的思想,采用将其与遗传算法混合的求解策略,并采用分阶段化的实数编码思想以及相应的遗传算子设计,对遗传算法进行适应性改进。