1、遺傳算法是一種模仿生物自然進化過程的、自適應啟發(fā)式的全局優(yōu)化算法。由于在利用遺傳算法求解問題時僅需要很少的輔助信息，容易與其它領域的知識相結合，且具有較好的自適應性和并行性，使得遺傳算法在組合優(yōu)化、機器學習、自適應控制、人工生命等領域得到了廣泛的應用。雖然國內外都很重視遺傳算法的理論和應用研究，并取得了很多令人矚目的研究成果，但是遺傳算法的理論和方法還尚未成熟，仍然存在一些不足有待于進一步改善。
　　首先，本文以遺傳算法在函數(shù)優(yōu)化

2、中的應用為實例，分析了遺傳算法優(yōu)化過程中基因編碼相同的染色體重復出現(xiàn)的現(xiàn)象，且隨著進化代數(shù)的不斷增加重復個體出現(xiàn)的機率也越來越大。針對這個問題，本文通過引入合適規(guī)模的基因庫用以存儲重復出現(xiàn)個體的基因編碼和對應的適應度值，并將基因庫中的染色體按適應度值從大到小的順序有序排列。對于基因庫中有相同基因編碼的染色體可以直接從基因庫中獲取其適應度值，進而解決重復個體適應度值的重復計算問題，降低算法的時間復雜度，提高算法的計算效率。
　　其次

3、，針對上述算法無法根據(jù)當前種群中個體的分布情況對遺傳算子執(zhí)行的控制參數(shù)進行動態(tài)調整的問題，本文按照自適應遺傳算法的交叉概率和變異概率調節(jié)公式的設計原則，根據(jù)種群中個體的相似系數(shù)，利用Logistic曲線方程對遺傳算法的交叉概率和變異概率進行自適應調整，進而提高算法的收斂性能。
　　最后本文以典型的旅行商TSP問題為應用背景，以Malab R2009a和Microsoft Visual Studio2010作為開發(fā)環(huán)境，選取TSPL

4、IB中的城市坐標數(shù)據(jù)為實例，實現(xiàn)了一個基于改進后算法的TSP問題求解系統(tǒng)，并對改進后算法的計算個體適應度值的時間代價與算法的收斂性進行測試和驗證。測試結果表明:種群規(guī)模為50～150，基因庫規(guī)模選取為種群規(guī)模的0.1倍～0.2倍時，本文算法能夠有效地減少算法的時間復雜度，其加速比能夠達到49.70％左右。在算法的收斂性方面，本文改進后的算法收斂速度快于基本遺傳算法但稍慢于Srinivas等人提出的自適應遺傳算法，且收斂效果要好于其它兩種