目录 1 引言
2 混合遗传算法
3 算例
4 结束语 参考资料 [1] 周明，孙树林．遗传算法原理及应用[M]．北京：国防工业出版社，1999．
[2] Goldberg D E. Genetic algorithms in search, optimization and machine learning[M]. Reading, Ma: Addison Wesley,1989．
[3] 孟庆春，贾培发．关于Genetic算法的研究及应用现状[J]．清华大学出版社，1995，35(5)：44－48．
[4] 戴晓晖，李敏强，寇纪松．遗传算法理论研究综述[J]．控制与决策，2000，15(3)：263－268．
[5] Lin W，Delgado-Frias J G．Hybrid Newton-Raphson genetic algorithm for traveling salesman problem[J]. Cybernetics and systems, 1995，26(5)：387-412．
[6] 赵明旺．连续可微函数全局优化的混合遗传算法[J] ．控制与决策，1997，12(5)：589－592．
[7] Goldberg D E．Real-Code Genetic Algorithm,Virtual Alphabets and Blocking[J]. Complex Systems，1991，5：139-167．
[8] Michalewicz Z．A modified genetic algorithm for optimal control problems[J]．Computers math. Application，1992，23（12）：83-94．
[9] 陈宝林．最优化理论与算法[M]．北京：清华大学出版社，1989．
[10] 俞红梅．全过程系统能量综合方法的研究[D]．大连理工大学博士学位论文，1998．

摘 要 在浮点编码遗传算法中加入Powell方法，构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力，显著提高了遗传算法求得全局解的概率。由于只利用函数值信息，混合算法是一种求解可微和不可微函数全局优化问题的通用方法。 关键词 全局最优；混合算法；遗传算法；Powell方法 1 引言 不可微非线性函数优化问题具有广泛的工程和应用背景，如结构设计中使得结构内最大应力最小而归结为极大极小优化（minmax）问题、数据鲁棒性拟合中采取最小绝对值准则建立失拟函数等。其求解方法的研究越来越受到人们的重视，常用的算法有模式搜索法、单纯形法、Powell方法等，但是这些方法都是局部优化方法，优化结果与初值有关。 近年来，由Holland研究自然现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而首先提出的遗传算法，是一种较为有效的求不可微非线性函数全局最优解的方法。以遗传算法为代表的进化算法发展很快，在各种问题的求解与应用中展现了其特点和魅力，但是其理论基础还不完善，在理论和应用上暴露出诸多不足和缺陷，如存在收敛速度慢且存在早熟收敛问题[1,2]。为克服这一问题，早在1989年Goldberg就提出混合方法的框架[2]，把GA与传统的、基于知识的启发式搜索技术相结合，来改善基本遗传算法的局部搜索能力，使遗传算法离开早熟收敛状态而继续接近全局最优解。近来，文献[3]和[4]在总结分析已有发展成果的基础上，均指出充分利用遗传算法的大范围搜索性能，与快速收敛的局部优化方法结合构成新的全局优化方法，是目前有待集中研究的问题之一，这种混合策略可以从根本上提高遗传算法计算性能。文献[5]采用牛顿－莱佛森法和遗传算法进行杂交求解旅行商问题，文献[6]把最速下降法与遗传算法相结合来求解连续可微函数优化问题，均取得良好的计算效果，但是不适于不可微函数优化问题。