這使得復(fù)制、交叉、變具有了選擇性和適應(yīng)性，由于復(fù)制操作的這種選擇性，使在局部極值點附近的體被復(fù)制的概率下降，相應(yīng)的新產(chǎn)生的遠離fav 的個體被復(fù)制的概率增加，減少了復(fù)制操作造成有效基因缺失的情況，使群體多樣性得到了保證。環(huán)境試驗設(shè)備發(fā)展前景更加寬廣，而交叉和變異概率的增加使產(chǎn)生新個體的概率上升，交叉概率的提高增強了算法的搜索能力。本節(jié)為提高上述自適應(yīng)遺傳算法的搜索效率，做了幾點改進：
一 采用浮點數(shù)編碼
遺傳算法一般采用二進制編碼，其優(yōu)點是操作清晰。但較長的二進制串一直占用計算機內(nèi)存，而其中很少一部分進行遺傳操作使得計算機內(nèi)存運行效率過低。這個問題在多參數(shù)優(yōu)化和高精度需求時顯得尤為突出，如模糊神經(jīng)網(wǎng)絡(luò)控制器參數(shù)的優(yōu)化。此外。二進制編碼的遺傳算法的變異方式和編碼形式，即使算法搜索到了離理想解很接近的次理想解時，找到理想解仍然可能很困難，如編碼01111 是次理想解，而編碼10000 是理想解的情況。從精度及其使用方便的角度來看，在涉及參數(shù)優(yōu)化的問題中，如控制領(lǐng)域。更偏愛浮點數(shù)編碼?？梢员苊鈹?shù)制轉(zhuǎn)換帶來的誤差，提高了算法的精度和效率。

二 引入概率接受操作數(shù)
傳統(tǒng)的遺傳算法用交叉操作產(chǎn)生的子個體完全代替交叉前的父個體，改進方法是用新產(chǎn)生的個體以一定的概率代替父個體。具體方法是：一對父代個體經(jīng)過交叉產(chǎn)生一對子代個體。將子代個體的適合度與父代個體的適合度相比較，如果子代個體的適合度高于父代個體的適合度則接受子代個體，淘汰父代個體；反之以概率接受子代個體，既產(chǎn)生一個0—1 之間的隨機數(shù)，如果該隨機數(shù)大于某一預(yù)定的接受概率則接受子代個體，反之保留父代個體。通過模式定理可知，上述方法能夠減少好的模式被破壞的概率，從而提高算法性能。
三 引入混沌插入操作數(shù)
前面提到通過自適應(yīng)改變變異概率可以預(yù)防算法未成熟收斂現(xiàn)象的發(fā)生，但使用較大的變異概率會使算法更加接近純隨機搜索，從而使算法喪失模擬進化的仿生實質(zhì)，且過大的變異概率會破壞已經(jīng)獲得的理想性信息。為解決該問題，運用混沌變換更新群體。這就是混沌插入操作數(shù)的思想。利用Logistic 映像產(chǎn)生混沌變換序列混沌變量具有隨機性、規(guī)律性、遍歷性和對初值的敏感性。即使初值微小的變化也將導(dǎo)致遠期行為的巨大差異。設(shè)待優(yōu)化參數(shù)取值范圍.則產(chǎn)生新個體的步驟如下：其中ci 和di 為參數(shù)，通過恰當?shù)倪x取參數(shù)可以將混沌變量映像到整個參數(shù)搜索范圍或范圍內(nèi)的某一部分。混沌運動能遍歷空間內(nèi)的所有狀態(tài)，因而由其產(chǎn)生的小群體具有多樣性，能夠補充進化過程中缺失的有效基因。
四 理想個體保留策略
理想解一直保持下去。因此，理想個體保留策略全局收斂的充分條件是：在搜索過程中理想個體保留GA 能發(fā)現(xiàn)全局理想解或經(jīng)歷包含理想解的狀態(tài)E。這樣就可以保證算法以概率一收斂到全局理想解 。
五 引入微變異操作數(shù)
遺傳算法的初期為了能搜索到全局解，要在整個過程中搜索空間內(nèi)大范圍搜索。但往往只能得到次理想解，而非真正的全局理想解。一旦算法接近全局理想解時，由于采用全局搜索策略使得收縮速度迅速下降，很難快速搜索到比目前適應(yīng)度更高的個體，因而表現(xiàn)為當前理想個體長時間的不發(fā)生變化，造成收斂速度緩慢甚至停滯的現(xiàn)象。如果能在進化后期加大對次理想解的周圍空間的搜索力度，就能盡快的得到全局理想解，提高算法的收斂速度。微變異操作數(shù)就是基于這種思想提出的。微變異操作數(shù)的實現(xiàn)方法：首先計算群體中適合度較好的前50%個個體的平均適合度fav 和當前理想個體的適合度比較，若其偏差小于一個很小的正數(shù)ε 則認為算法已進入后期。然后對種群x 的每一個染色體的參數(shù)基因逐一訪問，當隨機數(shù)rand<Plm 時（微變異概率）就對選中的參數(shù)基因進行微變異操作，但微變異量的大小和正負是隨機確定的。并將其設(shè)為 xij=xij*{[rand-0.5]*0.1+1}。其中，(rand-0.5)是一個可正可負的數(shù)，而且沒有固定大小，而0.1 控制了微調(diào)的數(shù)量級。為防止微調(diào)量過大，微調(diào)量采用相對量。當希望獲得更高精度時可將上式變?yōu)椋?br /> 通過引入了理想個體保留策略以及混沌插入操作數(shù)、概率接受交叉操作數(shù)、微變異操作數(shù)技術(shù)對自適應(yīng)遺傳算法進行改進，不僅加快了算法的收斂速度，有效避免了為成熟收斂現(xiàn)象的發(fā)生，而且是提高了進化后期的搜索效率。http://m.zhdtlyjq.com