李欣蔚

摘 要 非线性规划问题是如今被应用在各领域中的重要解题方法。遗传算法作为近年来一种从生物遗传学身上学习到的智能算法，与传统方法相比虽然具有一定的模拟限制，但在解决全局优化问题上已经取得了重大进步。本文主要通过简要介绍遗传算法的优化过程，以及分析非线性规划中主要存在的问题，通过提出一种新的学习因子来进行改进遗算法在非线性规划中的应用。

【关键词】遗传算法 改进 适配性 非线性规划

非线性规划？作为发展历史不久的新型学科，目前其有效算法已经存在多种解法，随着计算机技术的快速发展，非线性规划的方法在其中的编译取得了重要的成果。而对于应用领域的扩展，遗传算法的研究不仅仅局限于生物学，已经被引用到人工智能等方面，为一定领域上的开发瓶颈带来了新的希望。遗传算法的优化过程值得在更好的方向上应用，在这其中，如何改进遗传算法在非线性规划中的应用成为了难题之一。

1 遗传算法的优化过程

遗传算法是模拟了生物学在基因遗传方面的操作的算法。因而不难理解，在遗传算法的操作过程中的主要任务就是在群体对象中实现对个体的改进，通过一层一层的遗传算法改进操作，达到对整体的改进目的。其中最基础的三种遗传优化过程为选择、交叉和变异。

1.1 选择

遗传算法的选择过程首先要进行编译，利用编码来对遗传算法中的每一个个体进行分析，并计算其累计的概率。……