遗传算法（二）改进：自适应、遗传退火算法

自从Hollad教授提出基本遗传算法后，针对遗传算法改进的讨论从来没有停止。本文将介绍遗传算法的几种改进方法，分别为自适应遗传算法、混合遗传算法中的模拟退火遗传算法（SAGA）和并行遗传算法。相较于标准（简单）遗传算法（SGA），改进法在某些方面会具有一定的优势。

往期传送门

• 笔记（一） 基本遗传算法
• 笔记（二） 遗传算法的优化改进
• 笔记（三） 遗传算法解组合优化
• 笔记（四） MATLAB遗传算法工具箱使用

---

自适应遗传算法

交叉概率$P_c$ 和变异概率 $P_m$ 对遗传算法性能有很大的影响，直接影响算法收敛性1。虽然$P_c$ 较大的时候种群更容易产生新个体，但是当其变大时，优良个体在种群中保留率也降低。对$P_m$ 来说，若其过大则本算法相当于普通的随机算法，失去了遗传算法的意义。本文直接给出Srinvivas提出的自适应遗传算法（Adaptive GA， AGA）方法：

Pc=⎧⎩⎨Pc1−(Pc1−Pc2)(f′−favg)fmax</