石宇强，田永政，张雨琦，石小秋

西南科技大学 制造科学与工程学院，四川 绵阳621000

遗传算法[1]（Genetic Algorithm，GA）是历史上备受关注的进化算法之一。标准GA 在求解组合优化等问题上具有独特的优势，但是极易早熟收敛。为了克服这一缺点，多种群遗传算法（Multi-population Genetic Algorithm，MGA）随之出现，并获得了广泛的关注和应用[2-4]。MGA将标准GA的单种群划分为多个子群，保证了种群的多样性，每个子群内的个体按照标准GA 进化，精英个体在子群间迁徙传播优势基因，从而避免早熟收敛[5-6]。如文献[2]利用MGA 实现非线性动力学模型参数的辨识，预测橡胶波形发生器产生的冲击脉冲。文献[3]采用MGA 对常用的多孔吸声结构参数进行优化。但是，传统MGA的子群数有限，且大多忽略了子群结构对算法性能的影响。如果把子群以及它们之间的交流（优势基因的传播）分别看作节点和边，那么MGA就是一个复杂网络，代表了不同子群间的相互作用关系[7-8]。以往研究表明，复杂网络的集体行为会受到网络结构的显著影响[9-13]。类似地，MGA中子群间的交流构成的网络结构也将影响其寻优行为，进而影响MGA 的性能。

复杂网络可以描述自然界和人类社会中各种复杂系统[14]。其研究在许多领域都得到了应用，如金融网络[15]、蛋白质网络[16]、供需网络[17]等。在进化计算领域，许多研究者也利用复杂网络对GA 等进化算法进行了研究。文献[18]将进化算法的动态可视化为复杂网络，提出网络进化算法框架，并应用于GA、粒子群算法和差分进化算法中。文献[19]简述了进化算法的动态性如何转化为复杂网络，并根据其网络特征改进了自组织迁移算法、人工蜂群算法和GA 等算法。……