自适应遗传算法
基金项目：水利部!""!年“#$%”科技创新计划资助课题。收稿日期：!""$&"#&’(
))第!*卷)第’期
计)算)机)仿)真
!""+年’月))
文章编号：’""+&#*$%（!""+）"’&"’,!&"$
自适应遗传算法
卢长娜’，王如云!，陈耀登!
（’-河海大学理学院，江苏南京!’""#%；!-河海大学海洋学院，江苏南京!’""#%）
摘要：在遗传算法中约束条件贯穿于遗传运算的始终，这样必定影响运算效率。因为随着进化过程的进行，适应度较低的一些个体逐渐被淘汰，而适应度较高的个体越来越多，且都集中在最优点附近。基于遗传算法这种优胜劣汰的进化思想，该文提出一种改进的遗传算法———自适应遗传算法。其主要思想是在群体进化若干代后，将弱解空间删除，在以后的进化进程中以同样的群体大小只在强解空间进行群体的繁殖，则可加大强解空间的个体密度，提高解的精度，这样有助于性能优良的个体的产生，并且有可能缩短群体进化过程。将这种自适应遗传算法用于复杂函数的优化，算例结果表明该方法是有效和可靠的。
关键词：自适应方法；遗传算法；强解空间；弱解空间；空间收缩中图分类号：
./!"!0-,))文献标识码：1!"!#$%&’()*)")&’+!,-./’&01
2345678&76’，9:;<=>&?>7!，4@A;B6C &DE78!
（’-4CFFE8E CG HIJE7IEK ，@C56J 37JLEMKJN?;67OJ78PJ678K>!’""#%，45J76；!-4CFFE8E CG QIE67A78J7EEMJ78，@C56J 37JLEMKJN?，;67OJ78PJ678K>!’""#%，45J76）
!2345!64：=EKNMJINJLE IC7DJNJC7K M>7N5MC>85N5E R5CFE IC>MKE CG 8E7ENJI 6F8CMJN5S ，67D N5JK R6?RJFF K>MEF?IC7T GJ7E N5E EGGEINJLE7EKK CG N5E UMC8MEKK-V7DJLJD>6FK RJN5FCREM GJN7EKK L6F>E RJFF WE EFJSJ76NED 8M6D>6FF?R5JFE J7DJLJD>T 6FK RJN55J85EM GJN7EKK L6F>E RJFF J7IME6KE RJN5N5E ELCF>NJC7UMCIEKK 8CJ78，67D 6FF N5E J7DJLJD>6FK RJFF WE 7E6M N5E SEMJN J7N5E 8E7ENJI 6F8CMJN5S-.5JK U6UEM UMCUCKEK 67JSUMCLED 8E7ENJI 6F8CMJN5S —6D6UNJLE 8E7ENJI 6F8CMJN5S W6KED C7N5E N5C>85N CG KEFEINJ78N5E K>UEMJCM 67D EFJSJ76NJ78N5E J7GEMJCM-.5E S6J7JDE6JK NC DEFENE N5E RE6X KCF>NJC7KU6IE ，56LE C7F?N5E UCREMG>F KCF>NJC7KU6IE J7R5JI5J7DJLJD>6FK CG N5E K6SE 7>SWEM C7F?WMEED ，N5>K J7IME6KJ78N5E DE7KJN?CG J7DJLJD>6FK ，JSUMCLJ78N5E UMEIJKJC7CG N5E UMCWFES ，5EFUJ78WMEED 8CCD J7DJLJD>6FK ，K5CMNE7J78UCKKJWF?N5E R5CFE UMC8MEKK-.5E MEK>FNK 8CN W?6UUF?J78N5JK SEN5CD NC KCSE CUNJSJY6NJC7CG ICSUFJI6NED G>7INJC7K J7N5E U6UEM K5CR JNK L6FJDJN?67D ME6FJN?-789:;5<3：:D6UNJLE ；
=>引言
遗传算法（ 各个领域［’Z $］。遗传算法的运算过程是一个反复迭代过程， 它操作的对象是一组编码化的可行解即由[个个体组成的集合（又称为群体），通过三种遗传算子———选择算子、交叉算子和变异算子不断地对其进行遗传和进化操作，并且每次都是按照优胜劣汰的规则，将适应度较高的个体以较大的概率更多地遗传到下一代，这样最终在群体中会得到一个优良 的个体，使得它能达到或接近于问题的最优解。因此遗传算法有着鲜明的优点：全局优化性和鲁棒性；良好的并行性；可操作性与简单性。遗传算法的缺点是计算代价太高，收敛速度缓慢，并且当遗传算法搜索到最优解附近时无法精确地确定最优解的位置，另外遗传算法也会出现早熟现象。为了提高遗传算法的性能，解决实际问题中遇到的困难，克服遗传算法的缺点，很多专家学者提出了各种优化方案，诸如让父 代参与竞争［(Z +］ ，或者在适应度、选择概率、交叉概率、变异 概率、群体大小等方面提出了各种改进的自适应遗传算 法［,Z ’%］，由于我们并不知道决策变量的极值点具体位置，这 些算法都要在给定的决策变量的取值范围内进行全面搜索，因此具有很大的盲目性。也有一些研究者针对如何在遗传 操作中调整解空间作了大量研究。文献［’#］提出了一种用二进制编码来处理连续解空间的问题，其基本思想是依据父 — !,’—万方数据