文章编号：１００５－６０３３（２００６）１０－0168-02 收稿日期：２００５－１２－３０
摘 要：简要介绍了遗传算法的产生机理和基本结构，并着重介绍了混合遗传算法的研究现状。
关键词：遗传算法；局部最优；混合遗传算法
中图分类号：Q3-0；O015 文献标识码：Ａ
通过对生命进化和延续的历史研究，人们认识到：经过漫长的生命进化和延续过程而得以生存和延续下来的物种，无不经过了残酷的自然选择、生存竞争、物种繁衍、基因突变等自然进化和自然遗传过程。其实，生命的进化和延续的历史就是一个对生命的个体进行不断优化的过程。那些在所处的环境中占有某种优势的物种个体和拥有良好的先天条件的物种个体有较强的生存和繁衍能力，并形成对其他物种个体的生存空间的挤压。随着人们对生命的进化和延续过程中的自然进化和自然遗传机制了解的不断深入，使得通过模仿这一自然进化和自然遗传过程的方法来解决优化问题成为可能。
遗传算法这一概念，最早是在１９６７年由Ｂａｇｌｅｙ Ｊ．Ｄ博士提出的。１９７５年，随着Ｍｉｃｈｉｇａｎ大学的Ｊｏｈｎ Ｈｏｌｌａｎｄ教授的第一本系统论述遗传算法和人工自适应系统的专著《Ａｄａｐｔａｔｉｏｎ ｉｎ Ｎａｔｕｒａｌ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｓｙｓｔｅｍｓ》的发表 ［１］，遗传算法的理论和应用研究正式兴起。遗传算法是一种全新的随机搜索与优化算法，其基本思想是基于达尔文的进化论和孟德尔的遗传学说 ［２］。目前，遗传算法已经在许多领域得到了广泛的应用，比如组合优化、结构优化、模型优化、图像处理等。
１ 遗传算法的基本结构
遗传算法是一种模拟自然优化机制的优化搜索算法，它的基本程序实现流程如下：
（１）确定待优化的参数及其大致范围，并对搜索空间进行编码。
（２）随机产生包含各个个体的初始种群。
（３）将种群中各个个体解码成对应的参数值，用解码后的参数求代价函数和适应度函数，运用适应度评估检测个体适应度（个体适应度反映了个体对环境的适应能力及其生命力的强弱）。
（４）进行收敛条件判断，如果已找到最佳个体，停止搜索，否则继续进行遗传操作。
（５）进行选择操作，让生命力强的个体在种群中占有更大的比例，一些生命力相对较弱的个体将会被抛弃和淘汰（个体可以重复）。此步骤意在模拟自然界存在的生存竞争、优胜劣汰机制。
（６）随机交叉，两个个体按一定概率（交叉概率）进行交叉操作，并生成两个子个体。此步骤意在模拟自然界的生命的再生和延续机制。
（７）按照一定概率（变异概率）变异，即使个体的某个（些）位的性质发生改变。此步骤意在模拟自然界的生命的再生过程中存在的基因突变现象。
（８）重复步骤（３）至步骤（７），直至参数收敛或达到预定的指标。
遗传算法的实现流程图见图１。
２ 混合遗传算法的研究现状
遗传算法以其基本思想简单、便于实现和并行搜索的优点赢得了众多学者和工程人员的青睐，是目前应用最广的优化搜索算法之一。但遗传算法存在收敛速度慢和易于陷入局部最优的问题，在需要优化的参数较多时，更凸现了遗传算法的不足。如何提高遗传算法跳出局部最优的能力和如何提高遗传算法的收敛速度成为近年来遗传算法的研究热点。许多学者从不同的角度对遗传算法进行了改进，使遗传算法的寻优能力有了不同程度的提高。
目前，对遗传算法的研究主要集中在数学基础、各环节的实现方式以及与其他算法的结合方面。其中，尤以遗传算法与其他算法相结合方面的研究最为引人关注。由于遗传算法具有开放式的结构，与问题的关联性不大，很容易和其他算法进行结合，所以融合了其他的算法思想和遗传算法思想的混合遗传算法成了目前改进遗传算法研究的一个重要方向。现将比较常见的混合遗传算法介绍如下。
模拟退火遗传算法 ［３－５］：模拟退火算法的基本思想是通过模拟高温物体退火过程的方法来找到优化问题的全局最优或近似全局最优解。从统计物理学的观点看，随着温度的降低，物质的能量将逐渐趋近于一个较低的状态，并最终达到某种平衡。遗传算法的局部搜索能力较差，但把握搜索过程总体的能力较强；而模拟退火算法具有较强的局部搜索能力，并能使搜索过程
