童晓斌，范平清，刘天宏，李 聪

（上海工程技术大学机械与汽车工程学院，上海201620）

1 引言

为了解决现实中的优化问题，经常需要使用各种现代智能算法如：遗传算法（GA），差分算法（DE），模拟退火算法（SA），粒子群算法（PSO）等。其中，遗传算法在工程和科学应用中频繁的作为一种搜索和优化工具［1-2-3］。

遗传算法的主要问题是早熟算法和收敛速度较慢。同步器零部件的设计需要很高的精度。而一般的遗传算法很难达到这样的精度。收敛到全局最优解需要大量的遗传代数、种群数和计算时间。影响遗传算法（GA）搜索效率的主要因素有两个：种群多样性和选择压力。如果选择压力不足，会产生很多无效搜索，搜索空间中优秀的区域不会优先搜索。种群多样性对于遗传算法的全局搜索能力至关重要。

选择压力与种群多样性呈负相关。选择压力的增加导致种群多样性的损失更快，而保持种群多样性抵消了选择压力增加的影响。控制这两个因素，使其同时达到较好的值，能使算法更加有效。

为了使两者兼顾，人们尝试从不同的角度去改善遗传算法—编码策略、选择策略、交叉策略，变异策略。

该改进遗传算法，通过结合目标函数值与它们和当前最优染色体之间的差异，得到一个新的适应度函数。在该基础上使用竞标赛的方式进行选择操作，使与当前最优染色体差异较大的染色体得到更高的录取机会，保证了种群的多样性，减少了陷入局部优值的概率。

论文的内容安排如下。……