遗传算法研究进展
遗传算法的研究与进展
遗传算法的研究与进展一、综述随着科学技术的不断发展和计算能力的持续提高，遗传算法作为一种高效的优化方法，在许多领域中得到了广泛的应用。
本文将对遗传算法的研究进展进行综述，包括基本原理、改进策略、应用领域及最新研究成果等方面的内容。
自1975年Brendo和Wolfe首次提出遗传算法以来，该算法已经发展成为一种广泛应用于求解最优化问题的通用方法。
遗传算法主要基于自然选择的生物进化机制，通过模拟生物基因的自然选择、交叉和变异过程来寻找最优解。
在过去的几十年里，众多研究者和开发者针对遗传算法的性能瓶颈和改进方向进行了深入探讨，提出了许多重要的改进策略。
本文将对这些策略进行综述，并介绍相关的理论依据、实现方法以及在具体问题中的应用。
遗传算法的核心思想是基于种群搜索策略，在一组可行解（称为种群）中通过选择、交叉和变异等遗传操作产生新的候选解，进而根据适应度函数在种群中选择优良的候选解，重复上述过程，最终收敛于最优解。
遗传算法的关键要素包括：染色体表示、适应度函数设计、遗传操作方法等。
为进一步提高遗传算法的性能，研究者们提出了一系列改进策略。
这些策略可以从以下几个方面对遗传算法进行改进：多目标优化策略：针对单点遗传算法在求解多目标优化问题时容易出现陷入局部最优解的问题，可以通过引入多目标遗传算法来求解多目标问题。
精英保留策略：为了避免遗传算法在进化过程中可能出现未成熟个体过早死亡的现象，可以采用精英保留策略来保持种群的优良特性。
基于随机邻域搜索策略：这种策略通过对当前解的随机邻域进行搜索，可以在一定程度上避免陷入局部最优解，并提高算法的全局收敛性。
遗传算法作为一种常用的优化方法，在许多领域都有广泛应用，如组合优化、约束满足问题、机器学习参数优化、路径规划等。
随着技术的发展，遗传算法在深度学习、强化学习和智能交通系统等领域取得了显著成果。
研究者们在遗传算法的设计和应用方面取得了一系列创新成果。
基于神经网络的遗传算法被用于解决非线性优化问题；基于模型的遗传算法通过建立优化问题模型来提高算法的精度和效率；一些研究还关注了遗传算法的鲁棒性和稳定性问题，提出了相应的改进措施。
并行遗传算法的研究及应用进展
关键词： 遗传算法； 并行 遗传 算法； 并行模 型 中图分类号 ： Ｔ Ｐ ３ ０ １ 文献标识码 ： Ａ 文章编号 ： １ ０ ０ ９ — ３ ０ ４ ４ （ ２ ０ １ ４ ） １ ０ — ２ ３ ４ ７ — ０ ４
Ｒｅ ｓ ｅ ａｒ ｃ ｈ Ｐｒ ｏ ｇｒ ｅ ｓ ｓ ｏ ｆ Ｐａ ｒ ａｌ ｌ ｅ ｌ Ｇｅ ｎｅ ｔ ｉ ｃ Ａｌ ｇｏｒ ｉ ｔ ｈｍ
ｗ ｈｉ ｃ ｈ ｇ ｒ ｅ ａ ｔ ｌ ｙ ｐ ｒ ｏｍ ｏｔ ｅ ｓ ｔ ｈｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｎｄ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｇ ｅ ｎｅ ｔ ｉ ｃ ａ ｌ ｇｏ ｉｔ ｒ ｈｍ ．Ｔｈ ｅ ｒ ｅ ｃ ｅ ｎｔ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｄｅ ｖｅ ｌ ｏ ｐｍ ｅ ｎｔ ｓ ｉ ｎ ＰＧ Ａ ｍｏ ｄｅ ｌ ｓ ， ｐｅ ｒ — ｆ ｏ ｒ ｍａ ｎｃ ｅ ａ ｎ ａ ｌ ｙｓ ｉ ｓ ，ａ ｌ ｇｏ ｉｔ ｒ ｈｍ ｉ ｍｐ ｒ ｏｖ ｅ ｍｅ ｎｔ ，ａ ｎｄ ｉ ｍｐ ｌ ｅ ｍｅ ｎｔ ａ ｔ ｉ ｏｎ ｐ ｌ ａ ｔ ｆ ｏｒ ｍ ａ ｒ ｅ ｓ ｕ ｍｍａ ｒ ｉ ｚ ｅ ｄ ａ ｎｄ ｒ ｅ ｖ ｉ ｅ ｗｅ ｄ，ａ ｎｄ ｔ ｈｅ ｄｅ ｖｅ ｌ ｏ ｐｍ ｅ ｎｔ ｔ ｒ ｅ ｎ ｄｓ ａ ｎ ｄ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏｎ ｐｅ ｒ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ ｓ ｏｆＰＧＡ ｉ ｎ ｔ ｈ ｅ ｆ ｕｔ ｕｒ ｅ ｉ ｓ ａ ｌ ｓ ｏ ｄｉ ｓ ｃ ｕｓ ｓ ｅ ｄ ． Ｋｅ ｙ ｗｏｒ ｄｓ ：ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏｒ ｉ ｔ ｈ ｍ； ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｇｅ ｎｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ；ｐ ａ ｒ ａ Ｈｅ Ｉ ｍ ｏｄ ｅ ｌ
智能仿生算法及其网络优化中的应用研究进展
智能仿生算法及其网络优化中的应用研究进展在当今数字化的时代，网络已经成为人们生活和工作中不可或缺的一部分。
随着网络规模的不断扩大和应用需求的日益复杂，如何优化网络性能、提高资源利用率和保障服务质量成为了亟待解决的关键问题。
智能仿生算法作为一种新兴的优化技术，为网络优化领域带来了新的思路和方法，并取得了显著的研究进展。
智能仿生算法是一类受生物系统启发而产生的计算方法，它们模拟了生物的智能行为和进化机制，具有自适应性、自组织性和全局搜索能力等优点。
常见的智能仿生算法包括遗传算法、蚁群算法、粒子群优化算法、模拟退火算法等。
这些算法在解决复杂优化问题方面表现出了强大的能力，逐渐在网络优化领域得到了广泛的应用。
遗传算法是一种基于自然选择和遗传变异原理的优化算法。
在网络优化中，遗传算法可以用于网络拓扑结构的设计、路由选择、资源分配等问题。
例如，在网络拓扑设计中，通过对节点的连接方式进行编码，利用遗传算法的选择、交叉和变异操作，可以搜索到最优的拓扑结构，以降低网络成本、提高网络可靠性。
在路由选择问题中，遗传算法可以根据网络的流量分布和链路状态，找到最优的路由路径，从而减少网络拥塞和延迟。
蚁群算法是受蚂蚁觅食行为启发而产生的一种算法。
蚂蚁在寻找食物的过程中，会通过释放信息素来引导其他蚂蚁的行动，从而形成最优的路径。
在网络优化中，蚁群算法可以应用于路由优化、任务调度等方面。
例如，在路由优化中，将网络中的节点和链路看作蚂蚁行走的路径，通过蚂蚁在路径上释放和感知信息素，可以找到最优的路由路径。
在任务调度问题中，蚁群算法可以根据任务的优先级和资源需求，合理分配计算资源，提高系统的性能。
粒子群优化算法是一种基于鸟群觅食行为的优化算法。
粒子在搜索空间中根据自身的经验和群体的最优位置来调整自己的速度和位置，从而实现全局最优解的搜索。
在网络优化中，粒子群优化算法可以用于网络参数的调整、带宽分配等问题。
例如，在网络参数调整中，通过将网络参数作为粒子的位置，利用粒子群优化算法的更新机制，可以找到最优的参数配置，以提高网络的性能。
遗传算法应用的分析与研究PPT课件
在大数据时代，数据量呈爆炸式增长，传统的优化算法难以应对。遗传算法通过模拟生物进化过程中 的自然选择、交叉和变异等机制，能够在大规模数据集中快速找到最优解，广泛应用于机器学习、数 据挖掘和模式识别等领域。
遗传算法在人工智能领域的应用
总结词
遗传算法在人工智能领域的应用日益广泛，尤其在神经网络训练、路径规划、机器人控制等方面表现出色。
协同进化算法
元启发式算法
将遗传算法与其他元启发式算法（如 蚁群算法、粒子群算法等）结合，利 用元启发式算法的特点，提高遗传算 法的搜索效率。
将多个子群体分别进化，并利用各子 群体的进化结果指导其他子群体的进 化，提高算法的全局搜索能力。
遗传算法的并行化实现
并行选择操作
将种群分成若干个部分，分别在不同的处理器上执行选择操作， 然后合并结果。
• 遗传算法的改进与发展：随着研究的深入，遗传算法在理论和应用方面都得到 了不断的改进和发展。例如，多种遗传算法的融合、引入启发式信息、改进选 择和交叉算子等方法，都为提高遗传算法的性能和适用性提供了新的思路。
对未来研究的建议与展望
• 进一步探索遗传算法的理论基础：目前，遗传算法的理论基础尚不完备，对于 其工作原理和性能分析等方面仍需深入研究。未来研究可以进一步探索遗传算 法的数学基础、收敛性和鲁棒性等方面，以提高算法的可靠性和效率。
遗传算法的应用领域
组合优化
处理离散的优化问题，如旅行 商问题、背包问题等。
调度与分配
在生产、物流等领域用于优化 资源分配和任务调度。
函数优化
用于求解多变量函数的最优解， 如最大/最小化问题。
机器学习
用于分类、聚类、特征选择等 任务，如支持向量机、神经网 络等。
遗传算法工程应用进展
（ ｅ ｒｄ ｃｉ ） 杂 交 （ ｒｓ ｖ ｒ 和 变 异 （ ｔ— Ｒ ｐｏ ｕ ｔ ｎ 、 ｏ Ｃ ｏｓ ｅ ） ｏ Ｍｕａ
收 稿 日期 ：２ ０ —１ ０ １ ０—１ ２
作 者 简 介 ：杨 璐 （ ９ ３一） 女 ， 宁 沈 阳 人， 阳 工 业 大 学 讲 师 ， １７ 、 辽 沈 硕士 生
较 小 的概率 对 群 体 中 的某 些 个 体 的 位进 行 改 变 ，
即 “ ” “ ” “ ” “ ” 变 异 的 目的在于 防止寻优 １ 变 ０ ，Ｏ变 １ ，
过程 中过早 收 敛 于不 成 熟 期 ．图 １ 表 Ｇ 的 一 代 Ａ
个 周期 、
能解 作 为 初 始 群 体 ， 过 选 择 、 交 、 异 等 操 作 通 杂 变
色体 ．
１ ＧＡ 的 基 本 原 理 及 特 点
一
２ 对 种 群 进 行 的优 化 操 作 ， 现 了 全 局 并行 ） 实
般地 ， 传 算 法 包 含 三 个 基 本 算 子 ： 殖 遗 繁
操作， 即用 较 少 的 串操作 可 实现 较 大 区域 的搜 索 ， 称 这种 特性 为 隐含 并行性 ．
将 其 用于解 决 许 多领 域 的难题 ［ ．
遗 传 算 法 的主 要特 点是 ：
１ Ｇ 对 变 量 的二 进 制 编 码 进 行 操 作 ， 不 ）Ａ 而
是 对变 量 本 身 操 作 ． 示 变 量 的 每 一 位 二进 制 量 表
０或 １相 当 于 一 个 基 因 ， 编 码 的 位 串 相 当于 染 经
Ｊｎ ｕ ．２ ０ ０ ２
文 章 编 号 ：１０ ０ ０—１ ４ （０ ２ ｏ —０ ４ ６ ６ ２ ０ ） ３ ２０—０ ４
基于遗传算法的农产品品质无损检测研究进展
行 了发展… 。Ｇ Ａ数 据处 理方法 结合 图像 处理 技术 、 近 红外 光谱技术和 电子鼻技 术等无损 检测技术 ， 可 以对检测 的原始
数据进行优化 ， 从而为开发 在线无损 的 自动检 测系统 打下 良
好 的基 础 。
１ 遗传算法基本原理简介
作 为一 种搜索算 法 ， Ｇ Ａ的搜索 过程是从 一组 随机产 生 的初始解（ 群体 ） 开始 的， 问题的每个解对应 于群体 中的一个 个体 （ 染色体 ） ， 其好坏 的判 断依据是适应度 函数 。“ 遗传 ” 就
１ ． ３ 遗 传操 作
中的某些基因 ， 从而 形成一 个新 的个体 。Ｇ Ａ 中的变 异运算 是一种随机算法 ， 只是产生新个 体的辅助算法 ， 它决 定 了 Ｇ Ａ 的局部搜索能力 。交叉运算 和变异运算 的相互配合 ， 共 同完 成对搜索空 间的全局搜索和局部搜索 Ｊ 。
从 而得 到较好 的个体 ， 获取 问题 的近似最优解 的过程 。其 原
理 如图 １ 所示 。Ｇ Ａ的处理过程包含 以下几个环节和步骤 。
１ ． １ 编 码
Ｇ Ａ把 问题空 间 的研 究对 象通 过编 码机 制按 一定顺 序 ，
由特定 的符号排成遗传空 间的字符 串 ， 而 不对研究 对象直 接
以坚持统一 、 客观 的标难 。 目前 ， 基 于机 器视 觉 、 近红外光谱 、
电子鼻技术等的快速检测技术在农 产品的品质无损检测 中得 到 了很好的应用 。遗传算法 （ Ｇ Ａ） 作为一 种全局优化 搜索算
法， 模拟 了 自然界遗传选择和 自然淘汰的生物进化模式 ， 由美 国密执安大学 Ｈ ｏ ｌ ｌ ａ ｎ ｄ教 授首先 提 出 ， 他 的学 生对 该理论 进
遗传算法理论及其应用研究进展
（ 四川 大 学 ａ 计 算机 学 院 ；ｂ 制 造科 学与 工程 学院 ，成都 ６ ０ ６ ） ． ． １０ ５ 摘 要 ：首先 阐述遗 传算 法的原 理和 求解 问题 的一般 过程 ； 然后 讨论 了近年 来从遗 传 算 子 、 制参 数 等 方面 对 控
遗传 算 法的改进 ， 并对遗 传 算法在计 算机 科 学与人 工智 能、 自动控 制 以及 组合优 化等 领域 的应 用进 行 陈述 ； 最后
ｓ ｅ ｓｏ ｍｐ ｏ ｉ ｇ ｔ ｅ ｅｉ ｌ ｒｔ ｃｈ ｍｅ ｎ ｉ ｒ ｖ ｎ ｈｅ ｇ ｎ ｔｃａｇｏｉｈｍｓｓ ｃ ｓｔ ｅ ｇ ｎ ｔｃｏ ｅ ａ ｏｓａ ｏ ｒ ｌｐ ｒ ｍｅ ｅｓ，ａ ｌ ａ ｈ ｐｐ ｉａｉｎ ｏ ｕ ｈ ａ ｈ ｅ ｅｉ ｐ ｒ ｔｒ ｎｄ ｃ ｎｔｏ ａ ａ ｔ ｒ ｓｗｅｌ ｓｔ ｅ ａ ｌｃ ｔｏ ｆ
Ｂ ＡＮ Ｘｉ Ｉ ａ ，ＭＩＬ ａ ｇ ｉｎ “
（ ． ｏｌ ｅｏ ｏ ｐｔｒ ｃ ｎｅ ． ｏｌ ｅｏ ｎｆｃ ｒ ｇＳ ｉ ｃ Ｅ ｇｎｅｎ ，Ｓ ｈａ ｎｖｒｔ，Ｃ ｅｇ ｕ６ ６ ，Ｃ ｉ ） ａ Ｃ ｌｇ Ｃ ｍ ｕｅ Ｓｉ ｃ ，ｂＣ ｌｇ Ｍａｕａｔ ｉ ｃ ｎｅ＆ ｎ ｉｅ ｉｇ ｉ ｕｎＵ ｉ ｓｙ ｈｎ ｄ ０ ５ ｈｎ ｅ ｆ ｅ ｅ ｆ ｕｎ ｅ ｒ ｃ ｅｉ １ ０ ａ
Ａｂｓｒ ｔ： Ｔｈｉ ｐ ｒｆｒｔ ｅ ｕｔ ｈｅ ｐｒｎｃｐ ｅ ａ ｐ ｏ ｅ ｓ ｆ ｔ ｅ ｅ ｉ ａｇ ｒｔ ｍｓ， ａ ｄ ｔ ｅ ｎｒ ｄ ｅ ａ ｎｕ ｔ ａｃ ｓｐａ ｅ ｓ ｓ ｔｏ ｔ ｉ ｉ ｌ ｎｄ ｒ ｃ ｓｅｓｏ ｈｅ ｇ ｎ ｔｃ ｌｏ ｉｈ ｉ ｎ ｈ ｎ ｉ ｔｏ ｕｃ ｄ ｍｂｅ ｆ ｒｏ
化产生 出越来越好 的近似解 。在每一代 ， 根据 问题域 中个体 的 适应度大小选择个体 ， 并借 助 自然遗传学 的遗传算 子进行组合
基于遗传算法的光子晶体禁带设计问题研究
基于遗传算法的光子晶体禁带设计问题研究随着光子晶体在光电子领域的重要性逐渐凸显，光子晶体的禁带设计问题也成为了研究的热点之一。
而基于遗传算法的禁带设计方法因其全局搜索能力和适应度优化能力被广泛应用于光子晶体的禁带设计中。
本文将从光子晶体的基本概念入手，介绍光子晶体禁带设计问题并对基于遗传算法的研究方法进行探讨和分析。
一、光子晶体的基本概念光子晶体是一种具有周期性介电常数或介电磁导率的新型材料，其具有光子带隙结构，能够对光子进行完全的布里渊散射，因而被称为“光子晶体”。
光子晶体具有超高的光子停带宽度和光子分异度，这一特性使得光子晶体在光电子领域有着广泛的应用前景。
二、光子晶体禁带设计问题光子晶体的禁带是指在光子晶体材料中光子在波数空间中不能通过的范围，对光子进行过滤强度的频谱范围。
设计出具有特定禁带宽度和禁带频率的光子晶体材料是光子晶体研究的核心问题之一。
在光子晶体禁带设计问题中，需要确定材料的结构参数（如周期、公差等）以及介电常数分布等。
传统的禁带设计方法通常需要进行大量的试验和仿真分析，费时费力。
而基于遗传算法的禁带设计方法则可以通过参数优化和适应度评估，快速有效地搜索到最优的禁带结构。
三、基于遗传算法的光子晶体禁带设计研究方法基于遗传算法的光子晶体禁带设计方法是通过数学模型和计算机仿真来实现的，其基本思想是将材料的结构参数编码成遗传算法的染色体，通过交叉、变异等遗传操作来搜索最优解。
1.编码设计在基于遗传算法的光子晶体禁带设计中，需要对光子晶体的结构参数进行合理的编码设计，常用的编码方法有二进制编码、浮点编码等。
通过编码设计，可以将问题转化为遗传算法的优化问题。
2.适应度函数设计对于禁带设计问题，需要设计合适的适应度函数来评估每个个体的优劣程度。
适应度函数需要综合考虑禁带宽度、禁带频率、材料损耗等多个因素，从而能够全面评价禁带结构的优劣。
3.遗传算子设计遗传算法的交叉、变异等遗传操作是搜索最优解的关键。
- 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)。
Ａｂ ｔａ ｔ Ｔ ｉ ｐ ｐ ｒｓｕ ｉｄ ｔ ｅ ｒ ｓ ａｃ ｔｔ ｓｑ ｏ ｏ ｉ ｔ ｏ ｓｕ ｅ ｈ ｈ ｏｙ ｏ ｅ ｅｉ ｌｏ ｔ ｍｓｓ ｃ ｓｃ ｄ ｎ ｓ ｒ ｃ ： ｈ ｓ ａ ｅ ｔｄ ｅ ｈ ｅ ｅ ｒ ｈ ｓ ｕ ｕ ｆｍａ ｎ ｍｅｈ ｄ ｓ ｄ ｉ ｔｅ ｔ ｅ ｒ ｆｇ ｎ ｔ ａ ｇ ｒ ｈ ｕ ｈ ａ ｏ ｉ ｇ ａ ｎ ｃ ｉ
中图分 类号 ：Ｔ １ Ｐ８ 文献标 志码 ：Ａ 文章编 号 ：１ ０ ． ６ ５ ２ １ ）４ １０ ．６ ０ １ ３ ９ （ ０ ２ ０ — ２ １ ０
ｄｉ１ ． ９ ９ ｊｉ ｎ １０ ．６ ５ ２ １ ．４ ０ １ ｏ ：０ ３ ６ ／ ．ｓ ．０ １３ ９ ．０ ２ ０ ．０ ｓ
基金项 目：甘 肃省科技 基金 资助项 目（９ ＲＺ Ｉ５ ； ０ ６ Ｊ Ａ １ ） 甘肃省省属 高校 ２ １ ０ １年度基本科
作者简介 ： 马永杰（９ ７ ） 男， １６ 一 ， 甘肃灵 台人 ， 教授 ， 博士 ， 主要研究方向为智能控制、 物流技 术 （ ｙｍ ｊ ６ ． ｃ ） 云文霞（ ９６ ） 女 ， 士研 ｍ ｊ ｙ＠１３ ｅｒ ； ｕ １８ － ， 硕
所 能处理的搜索空间的转换 方法 。在 遗传算 法编码 方式 的问 题上 ， ｏ ａｄ建议 采用 二进 制编码 ， Ｈ ｌｎ ｌ 并得 到 了许 多学 者 的支
收稿 日期 ：２ １ ． １０ ；修 回日期 ：２ １ ．２２ ０ １ １— ７ ０ １１ ．７ 研 业务 费专项资金 项 目
献 ［ ］ 出一种新 的选择策略 ， ９提 即在选择过 程中每一个体 用一
些个体进行组合 ， 产生新一代 的候选解群 ， 重复此过程 ， 到满 直
持。文献 ［ ］ 出了一种 多 目的进程 调度 的二进制 编码 遗传 ２提
算法 ， 算法 中只有一小部分 二进 制变量被选择 编码成二进制染
色体 ， 通过对关键产 品、 任务 、 单位 的识别来 实现。文献 ［ ］ ３ 提 出了一种 混沌 ｇａ ｒ ｙ编码方法 。二进制 编码 的遗传 算法进 行数 值优 化时 ， 有精度不高 的缺点 ， 实数编 码对多参 数优化 问题有 更好 的性 能。文献 ［ ］ ４ 在解 空 间通 过反 向变换 将实数 染色 体 映射 到量 子位 ， 采用量子位概率指导 的实数交叉与｝ 沌变异相 昆 结合进化染 色体。虽然 实数 编码具有精度 高 、 便于大空间搜索 的优 点 ， 是 只 适用 于连 续 变 量 问 题 。混 合 染 色 体 编 码 方 但
第２ ９卷 第 ４期
２１ ０ ２年 ４ 月’
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｒ ｃ ｏ
Ｖｏ ． ９ Ｎｏ ４ １２ ．
Ａｐ ．２ １ ｒ ０２
遗 传 算 法研 究进 展
马 永 杰 ，云 文 霞
应度 ， 厂为交 叉 两 个体 适 应 度 的 较大 值 ， ～后 为 ［ ， ］内 ０１ 文献 ［５ 在分 析现有 参数设 定方 法 的基 础上 ， 遗传 算 ２］ 将 法参数设定 问题描述为随机优化问题 ， 并提 出一种新 的解决该 问题 的混合优化算 法。Ｐｎ ａ ｂｌｍ等人 针对调 度 问题通 ｏ ｎｍ ａ ａ 过大量 比较实验估计最佳 Ｇ Ａ参数 。文献 ［７ 以 Ｆｏ —ｈｐ调 ２ ］ ｌ Ｓｏ ｗ 度为算 例对 最 佳参 数 和操 作 的确 定 问题进 行 了研 究 。文 献 ［８ 提出 了基于信 息熵 的杂交概 率计算 方法 ， ２］ 从杂 交算 子对 种群新建和进化两个 方面的作用来 计算进化 过程 中的杂交概 率 。第 ｔ 代种群的杂交概率 Ｐ 计算公式如下 ：
Ｒｅ ｅ ｒ ｈ ｐ ｏ ｒ ｓ ｆ ｇ ｎ ｔ ａｇ ｒｔｍ ｓ ａ ｃ ｒ ｇ ｅ ｓ ｏ ｅ ｅｉ ｌｏ ｉｈ ｃ
．
Ｍ ｏｇｊ ，Ｙ Ｎ Ｗｅ—ｉ Ａ Ｙ ｎ —ｅ Ｕ ｎｘａ ｉ
（ ｅ ａｏａｏｙｏ ｔ ｃ＆Ｍｏｅｕａ ｈｓｓＦ ｎｔ ｎ ｌ ｔ ｉｌｏ ａｓ ｒｖ ｃ．Ｃ ｌｇ Ｐ ｙｉ ＆ Ｅｅｔ ｎ ｎ ｉ ｅｉｇ Ｎ ｒ ｗ ｓ Ｋ ｙＬ ｂｒｔｒ ｏ ｆＡ ｍｉ ｌ ｌｒ ｙｉ — ｕｃｏａ ｅ ａｓ Ｇ ｎｕＰ ｏｉ ｅ ｏｌ ｅｏ ｈｓ ｓ ｃ Ｐ ｃ ｉ Ｍａ ｒ ｆ ｎ ｅ ｆ ｃ ｌ ｒ ｉ Ｅ ｇｎ ｒ ． ｏｔ ｅ ｃｏ ｃ ｅ ｎ ｈ ｔ
１ 选 择 算 子 ）
选择操作体现适者生存 的原理 ， 通过适应 度选 择优质个体 而抛弃劣质个体 ， 其主要作 用是避免基 因缺失 ， 提高全 局收敛 性和 计 算 效 率 。近 年 来 不 同 的选 择 策 略 相 继 被 提 出。文
编码是把一个 问题 的可 行解从 其解空 问转换 到遗传算 法
ｒｓ ａ ｃ ｒ ｇ ｅ ｓｏ ｅ ｅ ｉ ａｇ ｒ ｈ ａ ｏ ｎ ｂ ｏ ｄ ａ ｄ ｔ ｅ ｎ ｗ ａ ｐ ｉａ ｉｎ ｆ ｌ ｓａ ｅ １ Ｆ ｎ ｌ ，ｔ ｕ ｏ ｗ ｒ ｅｆ — ｅ ｅ ｒ ｈ ｐ ｏ ｒ ｓ ｆ ｎ ｔ ｌｏ ｉ ｍ ｔｈ ｍｅ ａ ｄ ａ ｒ ａ ｎ ｅ ｐ ｌ ｔ ｉ ｄ ｓｗ ｌ． ｉａ ｌ ｉ ｐ ｔ ｒ ａ ｄ ｔ ｕ ｇ ｃ ｔ ｈ ｃ ｏ ｅ ｙ ｆ ｈ ｔ ｒ ｅ ｅ ｒ ｈ ｄ ｒ ｃｉｎ ａ ｄ ｒ ｓ ａ ｃ ｏｓ ｏ ｆｔ ｅ ａｇ ｒ ｈ ｂ ｎ ｌｚｎ ａ ｅ ｓｉ ｅ ｅ ｔ ｅ ｒ ． ｕ ｅ ｒ ｓ ａ ｃ ｉｅ ｔ ｎ ｅ ｅ ｒ ｈ ｈ ｔｐ ｔ ｌ ｏ ｔ ｍ ｙ ａ ａｙ ｉ ｇ ｐ ｐ ｒ ｎ ｒ ｃ ｎ ａ ｓ ｏ ｏ ｈ ｉ ｙ
应用 到遗传算 法中 ， 利用复 数 的模 与实 自变 量对应 ， 以实部 和 虚部 两个 变量 来表示一个 自变量 ， 挖掘群体 中个体 的多样性 ，
减少局部 收敛 。文 献［ ］ ７ 提出了动态相似度 参数零件 族编码 ， 该编码方法通 过零件工 艺相 似性 、 零件 自身相似基 因比动态划 分零件族 ， 大大减少 了编码长度和求解时 间。 １ ２ 遗传算子 ．
式 也是一种有效 编码 的方法 。文 献 ［ 将 复数 编码 的思 想 ６］
足某种收敛指标为止 。与传统 的启发式优 化搜 索算 法相 比， 遗 传算法 的主要本质特征在 于群体 搜索策略和简单的遗传算子 。 群体搜索使遗传算 法得 以突破领 域搜 索的限制 ， 以实现整个 可 解空 间上 的分布式信息采集 和探 索 ； 遗传算子仅仅利用适应值 度量作为运算指标进行 随机操作 ， 降低 了一般启发式算法在搜 索过程 中对人机交互 的依赖 。
拉普拉斯分布 函数 出发 ， 了一种拉 普拉斯交 叉算子 ， 设计 使子
代群体 能 自适应父代群体 的变化 。文 献 ［５ 为多模态 连续 函 １］
其 中： Ｄ 为种 群方差 ， Ｅ 为种群 熵 ， ｘ Ｄ ） ｍａ（ 分 别 为 ｍａ （ 、 ｘ Ｅ ） 种群进化到第 ｔ 代时种群方差和种群熵的最大值。若 Ｄ 或 Ｅ 为零 ， Ｐ ＝ ． 。 则 ， ０ ８ 文献 ［９ 针对遗传算法 的早熟 问题 对 自适应 遗传算 法进 ２］ 行 了研究 ， 提出了一种新算 法 ， 以优势 遗传 的原 则随个体 适应 度 的变化而 自适应地改变交叉和变异概率。
１ 遗传 算 法理论 研 究进展
按照生物学上可进化性 的概念 ， 遗传算法所追求 的也是 当 前群体产生 比现有个体更好个体 的能力 ， 即遗传算法 的可进化 性或称群体可进化性 。因此 ， 传算 法的理论和方法研究 围绕 遗
着这一 目标展开 。
１ １ 编 码 策 略 ．
遗传算法 的操作 算子 包括 选择 、 交叉 和 变异 三种基 本 形 式， 构成 了遗传算法强大搜 索能力 的核 心 ， 是模拟 自然选择 和 遗传过程 中发 生的繁殖 、 杂交和突变现象 的主要载体 。
（ 西北师 范 大学 物理 与 电子工程 学 院 甘肃省 原子 分子 物理 与功 能材料 重点 实验 室 ，兰州 ７ ０ ７ ） ３００
摘
要 ：对遗传算法编码策略、 遗传算子、 参数确定、 收敛性、 欺骗 问题等理论在 国内外的研 究现状进行 了系统
的研 究 ， 并对遗 传算 法在 国 内外 的研 究进展 和新 的应 用领域进 行 了讨论 ； 最后 ， 通过 对近 几年研 究 文献 的统 计分 析 ， 讨 了遗传 算法 的研 究热点和 发展 方 向。 探 关键 词 ：遗传 算 法 ；遗传 算子 ；收敛 性 ；约束 ； 多 目 优化 标
ｓ ａｅ ｉｓ ｇｎ ｔ ｐ ｒｔｒ， ａａ ｔｒ ｄ ｎｉｃ ｔ ｎ，ｏ ｖｒｅ ｃ ｄ ｃ ｐｉｎ ｐｏ ｌｍｓａ ｏ ｎ ｂ ｏｄ，ｎ ｉ ｕ ｓｄ ｔｅ ｔ ｔｇｅ ，ｅ ｅｉ ｏ ｅａｏｓｐ ｒｍｅｅｓｉｅ ｔｉａｉ ｃｎ ｅｇ ｎ ｅ，ｅ ｅ ｔ ｒｂｅ ｔ ｍｅａ ｄａ ｒａ ａ ｄｄｓ ｓｅ ｈ ｒ ｃ ｆ ｏ ｏ ｈ ｃ
选择算子中加 入了局部搜索 过程 。文献 ［Ｏ 提 出一种 基于个 １］ 体差异的局部竞争选择算子 ， 通过保持种群的多样性增 强了算 其 中
常数 。
为种群最 大适 应度 ＇ ，为平 均适应度 为变 异个体适
法从局部最优 中跳出的能力。文献 ［１ 提出 了基 于竞争指 数 １］
的模 拟退火排 序选择算子 ， 该算子能够在有效 避免早熟 收敛 的 同时显著提高群体的搜 索效 率和稳定性 。文献 ［２ 中遗传算 １］
究 生 ， 研 究 方 向 为遗 传 算 法计 算 机 应 用 研 究
Ｅｒ Ａ ＮＥ ， ） ｎ ．Ｒ ＮＤ （ ｎ Ｈ ｅ
第２ ９卷
个 由 目标 函数值 、 行为约束程度和行 为约束数量组成 的三维特
征向量表示 ， 为了在一些不可行 解 的邻 近区域找 到可行解 ， 在