遗传算法是一种广泛使用的优化算法,它有很多优点,但在耦合函数上容易陷入局部最优以及精度不高。目前常用的遗传算法加入了精英策略加快算法收敛速度且提高精度,但算法存在过早收敛的问题。本文使用了无精英策略的标准遗传算法进行实验发现遗传算法的种群并非一直收敛于某一个山峰上,而是在不同时间段会聚集在不同的山峰上。这种种群从一个山峰漂移到另外一个山峰上的现象,称之为遗传算法的漂移效应。本文对多个benchmark函数进行实验,使用可视化手段,在遗传算法发生漂移效应时跟踪每个个体的具体位置并记录下来。通过分析实验结果数据,本文进一步总结发生漂移效应的以下一系列规律:1.移除精英策略,2.适应度函数为耦合函数,3.需要对适应度函数进行适当调整使得函数扁平化。另外,常用的遗传算法使用的变异方式主要采用浮点数编码变异。该变异方式在同一时刻很少有若干个变量发生改变,限制了遗传算法的搜索方位。结合浮点数编码以及二进制位变异的优点,本文提出浮点数位变异方式。该变异方式使用浮点数硬件存储的二进制编码形式进行位变异,增强了算法的全局搜索能力。结合遗传算法的漂移效应以及移除精英策略等改进方案,本文提出漂移遗传算法。在前期迭代中,遗传算法移除精英策略和仅仅记录最优个体但不加入到种群当中。此时算法收敛稳定于某一峰值上。再经过若干迭代后,若种群依旧稳定在该峰值上,遗传算法适当调整适应度函数使种群快速收敛到另外峰值上。重复上述的操作直到遗传算法不发生漂移,前期迭代完成。在后期迭代当中,遗传算法将加入精英策略并将前期记录的最优个体加入到种群当中进行迭代,直到算法设置的最大迭代次数为止。最后通过实验证实了漂移遗传算法与传统遗传算法相比,其具有更强的全局搜索能力,稳定性更高和精度更高的优点。