遗传算法(Genetic Algorithm,简称GA)是一种产生于生物进化思想的随机搜索算法。它借鉴于优胜劣汰、适者生存的自然选择机理,简单通用、鲁棒性强、适合于并行处理,是一种有效的全局搜索方法,在多个领域得到了成功的应用。但是遗传算法也存在收敛速度慢、易早熟、局部搜索能力差等缺点,在搜索速度与求解精度上往往不能两者兼顾。为了解决复杂的多变量优化问题,在对遗传算法进行深入分析的基础上,本文做了如下研究工作: 分析自然进化各阶段对物种的不同影响,结合模式定理探讨影响模式生存的各种因素,提出了模式形成概率(PCS)的概念。通过分析PCS对算法性能的影响,从理论上建立了遗传算法参数与其性能之间的联系。 分析二进制遗传算法中基因频率对种群多样性的影响,提出了一种新的能维持种群多样性、且具有自适应变异概率的变异算子:染色体每一基因位上的变异概率由该基因位上的基因频率自适应的决定。最后用实验验证了本方法对保持种群多样性、加快收敛速度的有效性。 针对交叉算子产生个体的无方向性特点,提出了一种改进的单纯形交叉算子。该交叉算子吸收了单纯形法的思想,每次交叉都朝着当代种群最优解的方向进行,以提高算法的局部搜索能力,加快算法收敛速度。 针对GA爬坡能力弱的缺点提出爬坡算子,增强GA的搜索能力。由于GA爬坡能力弱,当种群收敛于局部最优解时,个体的基因模式单一,爬坡算子弥补了交叉和变异操作所不能完成的功能,增加了种群的多样性。 最后,本文用改进的遗传算法对CDMA网络的基站选址问题进行了优化测试。