王再见，董育宁

(1.安徽师范大学物理与电子信息学院，安徽芜湖 241000;2.南京邮电大学通信与信息工程学院，江苏南京 210003)

0 引言

遗传算法(Genetic Algorithms，GAs)模拟的是生物进化过程［1］，是一种自适应启发式概率性迭代全局搜索算法，由于简单易行在各个领域得到广泛应用。但是，GAs早熟收敛使其全局收敛性存在一定概率的不稳定，降低了算法性能。导致GAs早熟收敛的主要原因是基因多样性的降低。较大的种群规模(基因多样性较好)可以提供较好的全局搜索性能，但收敛相对较慢;而较小的种群规模(基因多样性较差)，其搜索空间的分布范围有限，可以较快地达到局部最优解，容易引起未成熟收敛。在实际问题的求解过程中，种群规模是有限的。因此，如何在有限的种群规模条件下，保持基因多样性，进而快速产生优良后代是GAs必须解决的问题。该文针对该问题，从变异算子的设计入手，提出了基于信息熵的变异算子。改进后的变异算子考虑了变异行为与环境的关系，增加了种群信息量，有效地保持种群的多样性，保证了种群进化的质量。

1 变异分析

变异是众所周知的影响GAs收敛性能和搜索效果的重要因素之一，文献［2］对变异的搜索能力进行了详细的分析，指出变异是唯一具有全局搜索能力的遗传算子。文献［3-6］表明变异与求解的问题有关。但在GAs研究中变异都是基于概率、固定的且与问题无关的，其发生都是随机的［7］，变异率也是数值实验得到的经验值［3，4］，虽然有文献采用自适应变异率来改善算法性能，但仅考虑适应度等部分因素，忽略了各因素产生的关联影响，在一些应用中算法的效果并不好［8］。……