巩 固， 郝国生， 王文虎

(1.江苏师范大学 计算机科学与技术学院,江苏 徐州 221116; 2.江苏师范大学 科文学院,江苏 徐州 221116)

0 引言

遗传算法(genetic algorithm,GA)是模拟生物进化论的仿生算法,具有简单、通用、鲁棒性强和适于并行分布处理的特点．自1975年Holland系统提出遗传算法以来,很多研究者一直致力于推动遗传算法的改进和发展,在编码方式、控制参数的确定、预防陷于局部最优等方面进行了深入的研究,提出了各种改进的遗传算法．Srinivas等[1]1994年提出了一种自适应遗传算法(adaptive general algorithm,AGA),实现交叉概率Pc和变异概率Pm随群体的适应度自动改变[1-3]．算法运行中,当种群个体的适应度趋于一致或者局部最优时,Pc和Pm增加,以跳出局部最优;当群体个体适应度比较分散时,Pc和Pm减少,以利于优良个体的生存[4-6]．

虽然遗传算法得到了极大的发展和应用,但仍存在着局部搜索能力不够、欺骗问题和“早熟”现象等[3-5]，影响了算法的全局收敛性和计算性能[2,6-7]．很多研究者针对“早熟”现象提出了不同解决方法,如分层遗传算法、CHC算法、messy GA、基于小生境技术的遗传算法、并行遗传算法等,但是“早熟”现象仍然存在,在具体应用中影响到结果的正确获取[8-10]．针对AGA算法的不足,本文提出基因间距思想,利用Hamming距离控制种群的个体差异,将优良基因很好地遗传到下一代,使得染色体可以到达的范围更大,从而产生最优解的机会就变大．在这些工作的基础上，给出了仿真实验,结果验证了改进的自适应遗传算法的有效性，且该算法增强了……