基于成长机制的改进遗传算法及其应用郝鹏（山西机电职业技术学院基础部，山西长治046000）摘要:在简单遗传算法（SGA）的基础上，结合自然界物种进化中优胜劣汰的过程，引入所有个体向最优个体学习的基于成长机制的改进遗传算法（DGA）。通过设置个体的学习率来区分不同个体学习过程，根据个体成长之后的适应度值来判断是否选择进化，充分保证进化初期种群的多样性，进而优化了遗传算法的全局搜索能力。通过函数寻优以及TSP问题的仿真，充分验证了新算法在增强全局寻优方面的能力。关键词:改进遗传算法；成长机制；全局寻优中图分类号：TP31文献标识码：A文章编号：1008-9004（2023）03-099-03虽然遗传算法（GeneticAlgorithm,GA）具有许多优点，可是当面对实际复杂多变的问题时还是存在以下的不足：（1）整体解空间的搜索能力很强，局部最优解的搜寻能力很差。据研究，遗传算法可以很快地到达最优解的90%，但是要真正的到达最优解却要花费很长的时间；（2）容易出现早熟的现象。当种群规模较小时，如果进化初期出现适应度较高的个体，由于个别个体繁殖过快，往往会破坏种群额多样性，从而出现早熟的现象[1]。引入个体成长机制的DGA算法，通过实验探究，更有利于在进化初期保留种群的多样性，从而进一步增强算法的全局寻优能力。1DGA—引入成长机制的改进遗传算法从简单遗传算法（SGA）的实现过程可以看出，个体的基因是其是否进化的决定性因素，遗传算子中的交叉算子和变异算子都是对个体的基因进行改进[2]，以提高其适应度值，来保证最优解的搜寻。算子的实现机理是物种在进化过程中基因的交叉和变异[3]。由于交叉过程和变异过程的随机性，并不能保证经过算子作用之后的种群个体的适应度值一定得到了提高，由此得到的个体在选择算子的作用下会存在优秀个体的基因快速复制，种群多样性降低，容易陷入局部最优解。本文进一步结合物种进化的过程，提出了所有个体在进行进化选择之前都会通过向优秀个体学习来提高自身进化的几率，形成了个体成长机制的改进遗传算法即DevelopGeneticAlgorithm,简称DGA。其算法的主要流程如图1：收稿日期：2022-08-25基金项目：山西机电职业技术学院立项课题（JWCL20010）作者简介：郝鹏（1988-），男，讲师，硕士，研究方向：应用数学、图形图像处理、数据挖掘。图1增加成长算子GA的算法流程图2成长算子的设计由于不同问题运用遗传算法的种群编码方式不同，因此成长算子需要分别设计。本文以多元函数寻优和旅行商问题（...
