倪水平，戚海涛，李慧芳

（河南理工大学计算机科学与技术学院，河南焦作 454000）

0 概述

进化算法作为计算机科学与生物进化规律结合发展形成的一类启发式搜索算法，克服了传统优化算法存在的全局寻优能力差、解的质量依赖初始值等缺陷，对求解复杂问题表现出较强的鲁棒性［1］。标准遗传算法（Standard Genetic Algorithm，SGA）［2］作为进化算法的代表之一，广泛应用于图像处理［3］、组合优化［4］、函数优化［5］、车间调度［6］等领域。然而，SGA 存在收敛速度慢、易早熟等问题［7-9］。

为克服SGA 存在的早熟收敛问题，研究者提出自适应遗传算法［10］、免疫遗传算法［11］、小生境遗传算法［12］、基于结构相似度的遗传算法［13］等改进算法，并进行实际应用。但SGA 的这一缺陷与诸多因素有关，并且其控制参数的设定［14］和遗传算子的设计［15］应根据实际问题试探性地进行。文献［16］在SGA 的基础上提出了多种群遗传算法（Multiple Population Genetic Algorithm，MPGA）。MPGA 引入了多种群的概念，通过为不同种群赋予不同控制参数的方式，提高了SGA 控制参数的灵活性，同时，还定义了移民算子和人工选择算子，用于加强各种群之间的联系，实现了多种群协同进化，但该算法的全局寻优能力存在进一步提升的空间［17］。

文献［18］针对早期进化算法存在的问题提出了思维进化算法（Mind Evolution Algorithm，MEA）。MEA 在结构上保留了进化算法的并行性，其定义的趋同操作和异化操作分别用于局部搜索和全局探测，两者相互协调并保持一定的独立性。虽然MEA具有灵活、高效的搜索框架，但其执行过程存在重复搜索、局部寻优能力弱、异化过程生成的临时子群体具有随机性等缺陷。……