基于遗传算法的连续函数优化技术研究

基于种群搜索的遗传算法是在C.R.Darwin的进化论和G.J.Mendel的遗传学说的基础上产生和发展起来的一类随机搜索优化方法，常用于求解许多传统方法难以解决的高维的、多模态的、非线性的和多目标的复杂问题。随着计算机技术的发展，遗传算法已被广泛应用于计算机科学、工程技术、管理科学和社会科学等许多领域，成为21世纪计算智能的关键技术之一。求解连续函数优化问题在实际生产生活中有着十分重要的意义，是遗传算法的研究与应用的一个相当重要方向。在实际的连续函数优化问题中，常常由于问题的复杂性，简单的遗传算法不能很好地解决这类问题。在分析和研究已有的遗传算法及相关的技术基础上，提出了两种遗传算法分别用于求解单目标连续函数优化问题和多目标连续函数优化问题。单目标连续函数优化遗传算法采用多个个体参与杂交和利用精英保留策略，提高算法的收敛精度和速度，找到问题的最优解或次优解；多目标连续函数优化遗传算法通过引入邻域搜索和局部搜索，提高算法的搜索效率，同时采用较大种群进行适应度共享，有效地维护种群的多样性，找到问题的近似最优近似完整的Pareto前沿。数值实验表明两算法均能获得较好的性能。