潘家文，钱 谦+，伏云发，冯 勇

1.昆明理工大学 信息工程与自动化学院，昆明 650500

2.昆明理工大学 云南省计算机技术应用重点实验室，昆明 650500

遗传算法（genetic algorithm，GA）[1]是20 世纪70年代初期由美国Michigan 大学Holland 提出来的借鉴生物界自然选择思想和自然遗传机制的一种全局随机搜索算法。它把问题的可能解看作个体，多个个体组成种群，算法运行时按照一定的进化策略使个体所代表的可能解不断进化，直到产生最优或近似最优解。该算法的优越性主要表现在：（1）使用时所需领域知识少，且优化过程不依赖于梯度信息，不要求目标函数的连续或可导；（2）求解复杂函数时，只需要选择、交叉、变异三种操作就能获得最优解；（3）能够同时搜索多个点，具有较好的并行寻优能力。目前GA 已广泛应用于机器学习、控制、优化等领域[2-4]。

传统遗传算法（standard GA，SGA）存在着“早熟”收敛和收敛速度慢等缺陷。目前已经提出了许多解决这一问题的方法，如引入并行机制[5]、学习机制[6]等，这些方法都取得了较好的效果。群体的多样性不足会使种群的搜索范围被限制，导致GA 易陷入“早熟”收敛，因此需要保证算法在计算过程中的种群多样性不能过快丧失。目前对种群初始化的研究较少，已有的GA 研究多数采用随机初始化方法产生种群，随机初始化方法会产生多样性差、染色体分布不均匀的种群[7]。文献[8]提出半初始化方法，该方法虽然丰富了种群多样性，但也增加了计算复杂度，还影响了种群的稳定性。文献[9]通过海明距离作为标准约束个体来产生初始种群，但该方法由于随机样本的影响仍会产生多样性较差的种群。……