遗传算法是计算数学中用来解决最优化问题的搜索算法,是进化算法的一种。它模拟了自然界中生物进化的原理,由于它不受问题搜索空间的限制性假设约束,尤其是它不需要过多专门的领域知识,而是仅仅用适应度函数作评价从而知道搜索过程,因此它得到了广泛的应用。遗传算法如今的研究主要着重于对算法的改进,针对它现有的不足,众多学者已提出了许多改进方法。在遗传算法中一直存在着一个矛盾,就是局部最优和收敛速度的矛盾。若过于追求收敛速度,则可能限于局部最优,为了防止局部最优,必然会影响到收敛速度。本文借鉴已有的改进方法,多传统算法进行了几方面的改进。本文的主要内容组织如下:(1)首先对遗传算法的研究意义、发展概况、基本概念、理论基础、主要特点等方面进行了简明扼要的介绍。然后对遗传算法的实现技术做了比较详细的总结。(2)针对传统遗传算法早熟、后期搜索效率低等缺点,提出一种基于吸引度的改进遗传算法。根据萤火虫之间互相吸引的特性,将萤火虫算法中吸引度的概念引入遗传算法中。在做选择操作时选取平均吸引度最高的两个个体进行交配,能提高算法的执行效率和收敛性能。将算法应用到具体的组合优化问题,验证了算法的有效性。(3)在已有的模拟退火混合遗传算法中引入基因库思想。首先生成基因库,然后利用基因库和单亲遗传构建初始种群,并结合模拟退火算法,增强局部寻优能力。然后用改进算法来解决流水作业排序问题,并与传统遗传算法进行了对比。(4)将遗传算法应用与求解非线性规划问题,针对此问题的特性,引入修正算子,改进了传统算法中直接舍弃非可行解的做法。同时采取根据决策变量进行分段交叉,使得每个决策变量都有交叉产生后代的机会,提高进化速度,最后种群进化时采取群体保优策略,避免了优良基因被破坏。实验仿真结果能够证明改进算法在收敛速度和收敛性能上的优越性。