摘要: 遗传算法作为进化计算的最重要的分支和基础，是借鉴生物的自然选择和遗传进化机制的一种全局优化搜索算法。近几年来由于其结构简单﹑鲁棒性强，能很好求解以往传统搜索算法无法解决的非线性函数优化等问题。而标准遗传算法碰到的普遍问题是：收敛速... 展开 遗传算法作为进化计算的最重要的分支和基础，是借鉴生物的自然选择和遗传进化机制的一种全局优化搜索算法。近几年来由于其结构简单﹑鲁棒性强，能很好求解以往传统搜索算法无法解决的非线性函数优化等问题。而标准遗传算法碰到的普遍问题是：收敛速度较慢和全局收敛性能不佳。针对这两个问题，本文在物种进化的物种起源、物种进化过程中，对物种配对机制和物种进化过程中的生物多样性进行研究。 在物种起源方面，遗传算法中初始物种的好坏直接影响算法的性能，本文研究出一种简单有效但快捷的初始物种形成机制，使得初始种群的多样性有较大提高，初始群体的规模设置更加合理。在物种配对机制改进中，针对基本遗传算法中进化操作过程的配对选择机制一般是随机的，而自然界中物种个体的配对是有一定规则和规律的，因而本文借鉴物种进化中个体配对的仿生机制：相似配对和非相似配对。本文对其进行优劣分析并综合利用，在遗传算法前期采用非相似配对机制，而在后期使用相似配对机制。同时本文对群体多样性进行研究，采用其中种群熵和方差来度量种群多样性，同时根据群体进化过程中种群熵和方差的变化情况来进行进化前后期划分。 本文综合上述对遗传算法初始种群和配对机制的研究提出两种改进遗传算法：一种具有优良初始种群的遗传算法和一种基于智能导向配对机制的遗传算法。并通过对经典测试函数的仿真和经典组合优化问题——TSP问题进行测试，与传统遗传算法性能进行比较，通过大量试验得出的实验数据验证了本文两个改进的遗传算法的收敛速度和全局收敛率上都有较大改进。 收起