遗传算法产生于生物学家对生物进化过程的仿真实验，有着广泛的应用前景。自从70年代由美国学者J。 H 。 Holland提出至今，遗传算法得到了广泛的研究和应用。但是在实际的使用中，选择、交叉和变异这三种操作都会影响算法中群体的多样性，使得在搜索过程中容易发生过早收敛，从而得到的结果不是全局最优解，而是局部最优解[5]。技术与自动化这是本次课题研究的主要解决的问题，也是本课题关于遗传算法的研究偏向。80183

近年来，为了克服遗传算法的过早收敛，国内外学者提出了在遗传算法的优化过程中，根据群体的多样性来动态的调整交叉和变异概率，他们将这种方法称为自适应交叉和变异概率的遗传算法[6-9]。外国学者Srinvas M等提出了自适应遗传算法(Adaptive GA) [10]。在GA中应用自适应遗传算法调整交又率和变异率，结果证明，这种算法在GA的收敛速度方面能够较好的改进。Adaptive GA的基木理论依据是:在群体适应度比较集中的情况下，能够促使变异杂交概率Pc以及概率Pm增大;反之，则能够促使变异杂交概率Pc以及概率Pm减小。其中，Pm和Pc的具体定义公式为:

解决早熟的基本思想是保持群体中个体的多样性。分层遗传算法在低层分为N个子种群，这N个遗传算法最好在特性设置上有较大的差异，可以在种群规模不扩大的情况下， 在保持优秀个体进化的稳定性的同时，为高层遗传算法产生更多种类的优良模式。论文网

分层遗传算法首先随机地产生 个样本 ，然后将它们分成N个字种群每个子种群包含n个样本，对每个子种群独立地运行各自的遗传算法。在每个子种群的遗传算法运行到一定代数后，将N个遗传算法的结果种群记录到一个二维数组中。同时将N个结果种群的平均适应度值记录到另一个数组中。高层遗传算法与标准遗传算法的操作类似。算法进行到一定代数后，将结果传回给低层遗传算法。在N个数组再次各自运行到一定代数后,再次更新数组，并开始高层遗传算法的第二轮运行。依次往复，直至得到满意的结果。

模拟退火遗传算法优化的核心思想是：在优化的开始，给定一个足够高的温度T，使得优化能够在比较广的范围内进行，保证寻优的过程能够包含各种情况；随着优化的进行，T逐渐下降，通过给进程施加某种压力，使得优化的范围在缩小的同时，也保证搜索方向逐渐靠近最优解。