王剑楠，崔英花

(北京信息科技大学 信息与通信工程学院，北京 100192)

0 引言

遗传算法作为一种随机全局搜索寻优算法，在工程领域中获得了广泛的应用。实际工程中许多问题可归并成多峰函数优化问题。在问题的可行解范围内最优解附近常有多个局部极值点存在，如神经网络的结构优化以及权值优化问题，复杂系统参数及结构辨识问题[1]，因此使遗传算法获得多峰函数全局最优解成为了一个重要的研究方向。但遗传算法存在固有缺陷，在解决多峰函数优化问题时，常在获得全局最优解前在某个局部极值处发生未成熟收敛，从而丧失了向上进化的能力，此时种群中的个体由于选择算子几乎全部跳入某个峰值之中，个体之间适应度高度趋同，即便某次变异使某个个体跳出该峰值，也有很大概率会因适应度值无法超过该峰值而遭到选择算子的淘汰，故而已经陷入局部极值的遗传算法很难跳出局部峰值。因此解决算法“早熟”问题的关键在于如何保持种群的多样性，使种群中总有个体存在于各个不同的“峰”之中，这样种群才有机会一直保持进化。

在遗传算法的早期操作中大多采用二进制编码，二进制编码遗传算法(binary coded genetic algorithm，BCGA)[2]中问题的可行解被编码成由0和1组成的字符串。这种算法对于可行解范围较小和对解精度要求不高的问题性能或许比较理想，但对于精度要求较高的高维问题，则会占用过多的存储空间，并在计算上产生过多的时间开销。……