高 晶 李元香 纪道敏 项正龙

(武汉大学计算机学院 湖北 武汉 430072)

0 引 言

遗传算法是由美国的Holland教授于1975年首先提出的一种借鉴达尔文的“优胜劣汰，适者生存”生物进化理论的随机优化算法[1]。它是一种启发式搜索和优化技术，可直接对结构对象进行操作，不需要对目标函数的连续性进行限定。主要特点是整个求解过程从群体出发，具有较高的鲁棒性和全局搜索能力，对优化问题的领域没有局限性，可扩展性强[2]。遗传算法被证明非常适合于高度非线性问题的优化，可以在复杂的多维搜索空间中找到全局最优解，在许多问题中都得到了广泛的应用，如背包问题、旅行商TSP问题、n皇后问题[3]等。近年来，从简单的PID控制，到复杂的最优控制[4]、自适应控制[5]等工程控制问题，遗传算法都有着较为成功的应用案例。现如今，随着人工智能热度的上升，遗传算法再次成为研究的热点，遗传算法等演化算法和人工智能相结合，可进行自然灾害的评估[6]、建立医学药物剂量预测模型[7]、规划最优路径[8]等。

遗传算法虽然应用广泛，但在解决较为复杂的问题时，由于它本身的随机搜索特点，依然存在收敛速度慢和过早收敛两方面的困扰[9]。Whitley[10]提出遗传算法中最重要的两个因素是“选择压力”和“种群多样性”。近年来，很多学者在遗传算法缓解“选择压力”、增加“种群多样性”上做了很多研究。Alabsi等[11]使用了稳态替换策略来缓解选择压力；王丽萍等[12]提出了角度惩罚距离精英选择策略防止精英选择产生过大的压力；……