改進的遺傳演算法
A. 用改進遺傳演算法求取水文地質參數
任廣軍1 張勇2
（1.山東省魯南地質工程勘察院，兗州272000；2.山東省地礦工程集團有限公司，濟南250013）
作者簡介：任廣軍（1972—），男，工程師，主要從事水文地質、環境地質等。
摘要：本文利用非穩定流抽水試驗資料，採用改進的十進制遺傳演算法在計算機上自動優選含水層水文地質參數。該方法同傳統上使用的配線法相比較，具有節省時間，減少人工配線誤差，所求參數逼真，且能對一些線性、非線性問題求解，具有很高的推廣和應用價值。
關鍵詞：遺傳演算法；隨機模擬；含水層；水文地質參數；優選
0 引言
利用改進的十進制遺傳演算法，根據抽水試驗資料來認識水文地質條件、反求水文地質參數是水文地質計算中的基本問題。具體地講，在探明含水層范圍、類型的基礎上，建立描述該含水層水流運動模型，利用抽水試驗過程中的地下水位變化過程資料來確定水文地質參數。
雖然非穩定抽水試驗公式適用條件非常苛刻，但能反映出含水層非穩定流的一些基本特點，還可運用疊加原理解決某些比較復雜的非穩定流問題。此外，作為檢驗數值方法精確性的重要依據，具有廣泛應用和發展前景。
目前，由於非穩定流抽水試驗確定水文地質參數的具體實現方法主要有人工配線法或以計算輔助的配線法，但這種方法的效果好壞完全取決於肉眼觀察，帶有很大的主觀性。本文作者選取了一些典型實例，採用遺傳演算法建立了一種計算機全自動求參的全局優選法，通過與人工配線分析比較，確定本方法計算機求參的高精度與高可靠性。
求取參數是通過實測結果與模型計算結果的最佳擬合（模擬）程度來實現的，參數的精確程度在很大程度上取決於實測資料的精度。
1 遺傳演算法介紹
生物的進化是一個奇妙的優化過程，它通過選擇淘汰，突然變異，基因遺傳等規律產生適應環境變化的優良物種。遺傳演算法是根據生物進化思想而啟發得出的一種全局優化演算法。
遺傳演算法的概念最早是由Bagley J.D在1967年提出的；而開始遺傳演算法的理論和方法的系統性研究的是1975年，這一開創性工作是由Michigan大學的J.H.Holland所實行。當時，其主要目的是說明自然和人工系統的自適應過程。
遺傳演算法簡稱GA（Genetic Algorithm），在本質上是一種不依賴具體問題的直接搜索方法。遺傳演算法在模式識別、神經網路、圖像處理、機器學習、工業優化控制、自適應控制、生物科學、社會科學等方面都得到應用。在人工智慧研究中，現在人們認為「遺傳演算法、自適應系統、細胞自動機、混沌理論與人工智慧一樣，都是對今後十年的計算技術有重大影響的關鍵技術」。
2 目標函數的確定
通過綜合考慮計算程序的運算時間、速度以及含水層的類型，確立利用抽水實測資料和計算資料的擬合程度為目標函數。其計算公式為：
山東省環境地質文集
式中：s實測為實測抽水試驗觀測孔的降深；s計算為計算抽水試驗觀測孔的降深；NT為計算時段。
3 計算實例及結果分析
3.1 承壓含水層地下水降深公式
承壓含水層地下水降深公式為：
山東省環境地質文集
式中：S為以固定流量Q抽水時與抽水井距離為r處任一時間的水位降深（m）；T為導水系數；Q為涌水量；W（u）為井函數，是一個指數積分函數：
山東省環境地質文集
式中：u為井函數的自變數，
例1：某地區進行非穩定流抽水試驗。區域地層剖面是：地表下18～25 m是由含礫粗砂層組成的含水層，其底板由粘土質沉積物組成，18 m以上是粘土、泥炭層。抽水井的過濾器安裝在含水層的整個厚度上。觀測孔距抽水井30m，觀測資料如表1所示。主井作定流量抽水，Q＝788m3/d，抽水接近14小時。試根據觀測資料求取水文地質參數。
（1）lgS-lgt配線法所求參數：T配線＝439m2/d，s配線＝1.694×10-4；
（2）S-lgt直線圖解法所求參數：T配線＝450.7m2/d，s配線＝1.392×10-4；
（3）計算機所求參數：T＝383.0088m2/d，s＝ 1.78×10-4。
為更直觀地說明上述所求參數的可靠性，由上述參數所求計算降深與實測降深進行比較（圖1）。通過比較，進一步確定了計算機求參的高精度與穩定性。承壓含水層配線參數與優選參數比較分析：T配線＝439m2/d，s配線＝0.0001694；T計算＝383.0088m2/d，s計算＝0.0001780。
表1 遺傳演算法計算水位降深與實測水位降深結果表
圖1 計算降深與實測降深比較圖
3.2 在有越流補給的承壓含水層地下水降深公式
在有越流補給的承壓含水層地下水降深公式為：
山東省環境地質文集
式中：u同（3）式；
山東省環境地質文集
例2：有一無限分布的承壓含水層，厚度20m，其底部為絕對隔水的粘土層；上部為弱透水的亞砂土層，厚2m；弱透水層之上為潛水含水層。在承壓含水層中有一完整抽水井，抽水時的穩定流量Q＝5530m3/d。距抽水井r＝17.34m處有一觀測孔據觀測知，在抽水過程中上部潛水的水位不變。抽水層的水位降深值載於表2，試計算含水層水文地質參數。
（1）lgS-lgt配線法所求參數：T配線＝853.50m2/d，s配線＝4.20×10-4；B配線＝568.50m；
（2）lgS-lgt配線法所求參數：T計算＝817.19m2/d，s計算＝4.31×10-4；B計算＝482.80m。
為更直觀地說明上述所求參數的可靠性，由上述參數所求計算降深與實測降深進行比較（圖2）。通過比較，進一步確定了計算機求參的高精度與穩定性。有越流時承壓含水層優選參數誤差分析：T配線＝853.50m2/d，s配線＝0.00042，B配線＝568.50m；T計算＝817.1950m2/d，s計算＝0.00043103，B計算＝482.798m。
表2 遺傳演算法計算水位降深與實測水位降深結果表
續表
圖2 計算降深與實測降深比較圖
3.3 考慮有滯後補給的潛水含水層地下水降深公式
根據博爾頓理論，潛水含水層地下水降深公式計算公式可分為抽水前期、抽水中期和抽水後期。參數優選主要根據抽水前期和抽水後期的資料擬合而得：
山東省環境地質文集
其中D為疏干因子。
抽水前期計算公式：
抽水後期計算公式：同（2）式。
4 結論及不足之處
4.1 結論
通過上述實例計算結果表明：計算結果同人工加以計算機輔助配線法相比較，其計算水文地質參數精度較高，且其參數初值依賴程度較低，對於復雜的線性、非線性及多態性、多峰值問題在全局優化方面有著其他方法所無法比擬的優勢，具有很高的推廣和應用價值。
4.2 不足之處
遺傳演算法雖然可以在多種領域都有實際應用，並且也展示了它潛力和寬廣前景；但是，遺傳演算法還有大量的問題需要研究，目前也還存在著各種不足。首先，在變數多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最優解位置；最後，遺傳演算法的參數選擇尚未有定量方法。對於遺傳演算法，一是還需要進一步研究其數學基礎理論；二是還需要在理論上證明它與其他優化技術的優劣及原因；三是還需研究硬體化的遺傳演算法；以及遺傳演算法的通用編程和形式等。此外，對於地下水滲流問題的數值解反求多類各種水文地質參數雖有成功實例，對於運算速度問題，還存在著相當大的難度。
參考文獻
陳崇希，唐仲華.1990.地下水流動問題數值方法.武漢：中國地質大學出版社
陳喜.1998.含水層水文地質參數自動優選方法.工程勘察，（2）
郭東屏.1994.地下水動力學.西安：陝西科學技術出版社
GB 50027—2001 供水水文地質勘察規范
李俊亭，王愈吉.1987.地下水動力學.北京：地質出版社
劉寶碇，趙瑞清，王綱.2003.不確定規劃及應用.北京：清華大學出版社
朱國祥，王峰.1999.利用配線法水文地質參數計算機程序簡介.工程勘察，（3）
鄒正盛，趙智榮.2001.淺析抽水水文地質參數確定中的問題.水文地質工程地質，（3）
B. 遺傳演算法改進的模糊C-均值聚類MATLAB源碼範例
function [BESTX,BESTY,ALLX,ALLY]=GAFCM(K,N,Pm,LB,UB,D,c,m)
%% 此函數實現遺傳演算法，用於模糊C－均值聚類
%% 輸入參數列表
% K 迭代次數
% N 種群規模，要求是偶數
% Pm 變異概率
% LB 決策變數的下界，M×1的向量
% UB 決策變數的上界，M×1的向量
% D 原始樣本數據，n×p的矩陣
% c 分類個數
% m 模糊C均值聚類數學模型中的指數
%% 輸出參數列表
% BESTX K×1細胞結構，每一個元素是M×1向量，記錄每一代的最優個體
% BESTY K×1矩陣，記錄每一代的最優個體的評價函數值
% ALLX K×1細胞結構，每一個元素是M×N矩陣，記錄全部個體
% ALLY K×N矩陣，記錄全部個體的評價函數值
%% 第一步：
M=length(LB);%決策變數的個數
%種群初始化，每一列是一個樣本
farm=zeros(M,N);
for i=1:M
x=unifrnd(LB(i),UB(i),1,N);
farm(i,:)=x;
end
%輸出變數初始化
ALLX=cell(K,1);%細胞結構，每一個元素是M×N矩陣，記錄每一代的個體
ALLY=zeros(K,N);%K×N矩陣，記錄每一代評價函數值
BESTX=cell(K,1);%細胞結構，每一個元素是M×1向量，記錄每一代的最優個體
BESTY=zeros(K,1);%K×1矩陣，記錄每一代的最優個體的評價函數值
k=1;%迭代計數器初始化
%% 第二步：迭代過程
while k<=K
%% 以下是交叉過程
newfarm=zeros(M,2*N);
Ser=randperm(N);%兩兩隨機配對的配對表
A=farm(:,Ser(1));
B=farm(:,Ser(2));
P0=unidrnd(M-1);
a=[A(1:P0,:);B((P0+1):end,:)];%產生子代a
b=[B(1:P0,:);A((P0+1):end,:)];%產生子代b
newfarm(:,2*N-1)=a;%加入子代種群
newfarm(:,2*N)=b;???
for i=1:(N-1)
A=farm(:,Ser(i));
B=farm(:,Ser(i+1));
P0=unidrnd(M-1);
a=[A(1:P0,:);B((P0+1):end,:)];
b=[B(1:P0,:);A((P0+1):end,:)];
newfarm(:,2*i-1)=a;
newfarm(:,2*i)=b;
end
FARM=[farm,newfarm];
%% 選擇復制
SER=randperm(3*N);
FITNESS=zeros(1,3*N);
fitness=zeros(1,N);
for i=1:(3*N)
Beta=FARM(:,i);
FITNESS(i)=FIT(Beta,D,c,m);
end
for i=1:N
f1=FITNESS(SER(3*i-2));
f2=FITNESS(SER(3*i-1));
f3=FITNESS(SER(3*i));
if f1<=f2&&f1<=f3
farm(:,i)=FARM(:,SER(3*i-2));
fitness(:,i)=FITNESS(:,SER(3*i-2));
elseif f2<=f1&&f2<=f3
farm(:,i)=FARM(:,SER(3*i-1));
fitness(:,i)=FITNESS(:,SER(3*i-1));
else
farm(:,i)=FARM(:,SER(3*i));
fitness(:,i)=FITNESS(:,SER(3*i));
end
end
%% 記錄最佳個體和收斂曲線
X=farm;
Y=fitness;
ALLX{k}=X;
ALLY(k,:)=Y;
minY=min(Y);
pos=find(Y==minY);
BESTX{k}=X(:,pos(1));
BESTY(k)=minY;???
%% 變異
for i=1:N
if Pm>rand&&pos(1)~=i
AA=farm(:,i);
BB=GaussMutation(AA,LB,UB);
farm(:,i)=BB;
end
end
disp(k);
k=k+1;
end
%% 繪圖
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
TempY=BESTY(1:k);
minTempY=min(TempY);
posY=find(TempY==minTempY);
BESTY2(k)=minTempY;
BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函數值')
xlabel('迭代次數')
grid on
忘記寫了，這個是源代碼！謝謝謝謝！
C. 怎樣解決遺傳演算法的局部最優問題
這個看看遺傳演算法的專著吧。
局部收斂，就是所謂的「早熟現象」是遺傳演算法的一個很讓人頭疼的問題。對應的措施，我舉個例子，可以是提高變異運算元的變異概率。變異運算元是跳出局部收斂的重要操作運算元，當然，遺傳演算法有很多的改進類型。這里不多說了，我介紹本書，叫《MATLAB遺傳演算法工具箱及應用》，雷英傑，西安電子科技大學出版社
D. 關於遺傳演算法
遺傳演算法（Genetic Algorithm，簡稱GA）是美國 Michigan大學的 John Golland提出的一種建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化、具有廣泛適用性的搜索方法。現在已被廣泛用於學習、優化、自適應等問題中。圖4-1 給出了 GA搜索過程的直觀描述。圖中曲線對應一個具有復雜搜索空間（多峰空間）的問題。縱坐標表示適應度函數（目標函數），其值越大相應的解越優。橫坐標表示搜索點。顯然，用解析方法求解該目標函數是困難的。採用 GA時，首先隨機挑選若干個搜索點，然後分別從這些搜索點開始並行搜索。在搜索過程中，僅靠適應度來反復指導和執行 GA 搜索。在經過若干代的進化後，搜索點後都具有較高的適應度並接近最優解。
一個簡單GA由復制、雜交和變異三個遺傳運算元組成：
圖4-2 常規遺傳演算法流程圖
E. matlab遺傳演算法改進bp神經網路
你提供的代碼是一個基本的BP神經網路訓練過程。一般都是用GA訓練，之後再用改進動量法繼續訓練，直至最後達到目標。
遺傳演算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳演算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經過基因（gene）編碼的一定數目的個體(indivial)組成。每個個體實際上是染色體(chromosome)帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合，它決定了個體的形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。
F. 為什麼我用遺傳演算法改進的BP還不如不改進呢
兩種可能：一是遺傳演算法程序編的有問題（前提是BP網路沒問題）；二就是遺傳演算法的評價標准或者停止准則選擇不當。
G. 遺傳演算法執行策略的改進的具體方法（詳細）
GA最典型的應用之一是解決行商問題，行商問題是這樣的：
已知n個城市之間的相互距離，現有一個推銷員必須遍訪這n個城市，並且每個城市只能訪問一次，最後又必須返回出發城市。如何安排他對這些城市的訪問次序，可使其旅行路線的總長度最短？
GA的思路是，先隨機排序產生n條路線，這些路線當然長短不一，然後從中選出路徑最短的若干條路線（優勝劣汰），再基於他們產生新的路線（雜交），同時引入一些新的路線（防止最初的基因不好，怎麼遺傳都產生不了精英），當然，還要保留其中最短的那條（那可是目前來說最nb的精英哦），再取其中最短的若干條路線（優勝劣汰）。。。。一直到我們最nb的精英基本上不能更好為止。整個過程符合進化論觀點。
GA是不保證結果最優的，但按照性價比的觀點來說，它通常能在較短的時間內獲得一個較優結果。
http://www.longen.org/e-k/GA.htm
http://www.wikilib.com/wiki/%e9%81%97%e4%bc%a0%e7%ae%97%e6%b3%95 （這個比較詳盡^_^）
很遺憾，這兩天國外網站訪問不了，不然可以幫你分析個常式
H. 遺傳演算法
遺傳演算法是從代表問題可能潛在解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。每個個體實際上是染色體帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因的組合，它決定了個體形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼。初始種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解。在每一代，根據問題域中個體的適應度（fitness）大小挑選（selection）個體，並藉助於自然遺傳學的遺傳運算元（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群自然進化一樣的後生代種群比前代更加適應環境，末代種群中的最優個體經過編碼（decoding），可以作為問題近似最優解。
5.4.1 非線性優化與模型編碼
假定有一組未知參量
xi（i=1，2，…，M）
構成模型向量m，它的非線性目標函數為Φ（m）。根據先驗知識，對每個未知量都有上下界αi及bi，即αi≤x≤bi，同時可用間隔di把它離散化，使
di=（bi-αi）/N （5.4.1）
於是，所有允許的模型m將被限制在集
xi=αi+jdi（j=0，1，…，N） （5.4.2）
之內。
通常目標泛函（如經濟學中的成本函數）表示觀測函數與某種期望模型的失擬，因此非線性優化問題即為在上述限制的模型中求使Φ（m）極小的模型。對少數要求擬合最佳的問題，求目標函數的極大與失擬函數求極小是一致的。對於地球物理問題，通常要進行殺重離散化。首先，地球模型一般用連續函數表示，反演時要離散化為參數集才能用於計算。有時，也將未知函數展開成已知基函數的集，用其系數作為離散化的參數集xi，第二次離散化的需要是因為每一個未知參數在其變化范圍內再次被離散化，以使離散模型空間最終包含著有限個非線性優化可選擇的模型，其個數為
地球物理數據處理教程
其中M為未知參數xi的個數。由此式可見，K決定於每個參數離散化的間隔di及其變化范圍（αi，bi），在大多數情況下它們只能靠先驗知識來選擇。
一般而言，優化問題非線性化的程度越高，逐次線性化的方法越不穩定，而對蒙特卡洛法卻沒有影響，因為此法從有限模型空間中隨機地挑選新模型並計算其目標函數 Φ（m）。遺傳演算法與此不同的是同時計算一組模型（開始時是隨機地選擇的），然後把它進行二進制編碼，並通過繁殖、雜交和變異產生一組新模型進一步有限的模型空間搜索。編碼的方法可有多種，下面舉最簡單的例說明之，對於有符號的地球物理參數反演時的編碼方式一般要更復雜些。
假設地球為有三個水平層的層次模型，含層底界面深度hj（j=1，2，3）及層速度vj（j=1，2，3）這兩組參數。如某個模型的參數值為（十進制）：
h1=6，h2=18，h3=28，單位為10m
v1=6，v2=18，v3=28，單位為 hm/s
按正常的二進制編碼法它們可分別用以下字元串表示為：
地球物理數據處理教程
為了減少位元組，這種編碼方式改變了慣用的單位制，只是按精度要求（深度為10m，波速為hm/s）來規定參數的碼值，同時也意味著模型空間離散化間距di都規格化為一個單位（即10m，或hm/s）。當然，在此編碼的基礎上，還可以寫出多種新的編碼字元串。例如，三參數值的對應位元組順序重排，就可組成以下新的二進制碼串：
地球物理數據處理教程
模型參數的二進制編碼是一種數學上的抽象，通過編碼把具體的非線性問題和生物演化過程聯系了起來，因為這時形成的編碼字元串就相當於一組遺傳基因的密碼。不僅是二進制編碼，十進制編碼也可直接用於遺傳演算法。根據生物系統傳代過程的規律，這些基因信息將在繁殖中傳到下一帶，而下一代將按照「適者生存」的原則決定種屬的發展和消亡，而優化准則或目標函數就起到了決定「適者生存」的作用，即保留失擬較小的新模型，而放棄失擬大的模型。在傳帶過程中用編碼表示的基因部分地交合和變異，即字元串中的一些子串被保留，有的改變，以使傳代的過程向優化的目標演化。總的來說，遺傳演算法可分為三步：繁殖、雜交和變異。其具體實現過程見圖5.8。
圖5.8 遺傳演算法實現過程
5.4.2 遺傳演算法在地震反演中的應用
以地震走時反演為例，根據最小二乘准則使合成記錄與實測數據的擬合差取極小，目標函數可取為
地球物理數據處理教程
式中：Ti，0為觀測資料中提取出的地震走時；Ti，s為合成地震或射線追蹤算出的地震走時；ΔT為所有合成地震走時的平均值；NA為合成地震數據的個數，它可以少於實測Ti，0的個數，因為在射線追蹤時有陰影區存在，不一定能算出合成數據Tj，0。利用射線追蹤計算走時的方法很多，參見上一章。對於少數幾個波速為常數的水平層，走時反演的參數編碼方法可參照上一節介紹的分別對深度和速度編碼方法，二進制碼的字元串位數1不會太大。要注意的是由深度定出的字元串符合數值由淺到深增大的規律，這一約束條件不應在雜交和傳代過程中破壞。這種不等式的約束（h1＜h2＜h3…）在遺傳演算法中是容易實現的。
對於波場反演，較方便的做法是將地球介質作等間距的劃分。例如，將水平層狀介質細分為100個等厚度的水平層。在上地殼可假定波速小於6400 m/s（相當於解空間的硬約束），而波速空間距為100m/s，則可將波速用100m/s為單位，每層用6位二進制字元串表示波速，地層模型總共用600位二進制字元串表示（l=600）。初始模型可隨機地選取24～192個，然後通過繁殖雜交與變異。雜交概率在0.5～1.0之間，變異概率小於0.01。目標函數（即失擬方程）在頻率域可表示為
地球物理數據處理教程
式中：P0（ωk，vj）為實測地震道的頻譜；ωk為角頻率；vj為第j層的波速；Ps（ωk，vj）為相應的合成地震道；A（ωk）為地震儀及檢波器的頻率濾波器，例如，可取
A（ω）=sinC4（ω/ωN） （5.4.6）
式中ωN為Nyquist頻率，即ωN=π/Δt，Δt為時間采樣率。參數C為振幅擬合因子，它起到合成與觀測記錄之間幅度上匹配的作用。C的計算常用地震道的包絡函數的平均比值。例如，設E［］為波動信號的包絡函數，可令
地球物理數據處理教程
式中：tmax為包絡極大值的對應時間；J為總層數。包絡函數可通過復數道的模擬取得。
用遺傳演算法作波速反演時失擬最小的模型將一直保存到迭代停止。什麼時候停止傳代還沒有理論上可計算的好辦法，一般要顯示解空間的搜索范圍及局部密度，以此來判斷是否可以停止傳代。值得指出的是，由（5.4.4）和（5.4.5）式給出的目標函數對於有誤差的數據是有問題的，反演的目標不是追求對有誤差數據的完美擬合，而是要求出准確而且解析度最高的解估計。
遺傳演算法在執行中可能出現兩類問題。其一稱為「早熟」問題，即在傳代之初就隨機地選中了比較好的模型，它在傳代中起主導作用，而使其後的計算因散不開而白白浪費。通常，增加Q值可以改善這種情況。另一類問題正相反，即傳相當多代後仍然找不到一個特別好的解估計，即可能有幾百個算出的目標函數值都大同小異。這時，最好修改目標函數的比例因子（即（5.4.5）式的分母），以使繁殖概率Ps的變化范圍加大。
對於高維地震模型的反演，由於參數太多，相應的模型字元串太長，目前用遺傳演算法作反演的計算成本還嫌太高。實際上，為了加快計算，不僅要改進反演技巧和傳代的控制技術，而且還要大幅度提高正演計算的速度，避免對遺傳演算法大量的計算花費在正演合成上。
I. 關於遺傳演算法的疑惑！請高人指點！非常感謝！ 模擬退火遺傳演算法和免疫遺傳演算法哪個改進的效果好
這些演算法的本質都是隨機搜索，帶有隨機性，對參數依賴程度還是比較強的，所以出現結果時好時壞也是正常的。
至於這些演算法的比較，你可以查查相關的論文。特別是首先提出該改進演算法的論文，不過要注意，國內的論文的實驗結果可信程度還是值得懷疑的。作者往往為了「證明」其演算法的優勢，只列舉那些對演算法效果有利的實驗結果，不好的結果經常不列出來。所以你看到別人說什麼演算法好，但你自己用的時候卻沒發現該演算法的優勢也是正常的。
J. 遺傳演算法 多種群是什麼個概念 加入多種群策略有什麼改進
採用PSO優化的思想進行演算法的改進：把全局分為多個種群進行進化，最後取各個種群的局部極值中最大的作為全局是優值：優點是比傳統的遺傳演算法不容易陷入局部極值