遗传算法(Genetic Algorithm,简称GA)是的一种模拟自然界中物种进化过程,根据“适者生存”的进化原则对问题的解进行处理,使搜索向最优解的方向移动的智能优化算法。由于强鲁棒性和通用性,GA目前已被广泛应用在函数优化、组合优化、图像处理和机器学习等领域。早熟收敛问题是GA常见的问题之一,是指在算法过程中,搜索收敛至一个局部最优解,无法继续向全局最优进行搜索。早熟收敛是GA发展的一个瓶颈。目前针对这一问题,研究者们提出了众多改进遗传算法,如小生境遗传算法,混合遗传算法等,这些算法均能有效改善GA的早熟收敛,但是仍然无法完全避免这一问题。这些改进算法大多都是通过控制收敛速度或者调控选择策略等方式去预防早熟收敛问题,缺乏对算法如何跳出早熟收敛进行分析。本文在以个体为观察单元,观察GA运行过程中种群的动态变化,提出遗传算法的漂移现象。漂移现象是指GA搜索过程中种群从一个峰跳过另一个峰的现象,是一种由收敛至发散再收敛的过程。漂移现象具有以下特征:(1)发生概率小;(2)发生时间短。研究影响漂移现象发生的条件,控制漂移现象的发生将有利于解决早熟收敛问题,加强算法的全局搜索能力。本文的主要工作包括:1.介绍了遗传算法理论,遗传算法收敛性以及目前算法研究的现状。2.描述了早熟收敛问题,分析其产生的原因并指出这一问题的研究价值。3.提出了遗传算法的漂移现象,在函数中验证这一现象的存在性。对种群中每一个个体进行分析,研究影响遗传算法的漂移性的因素,得出漂移更容易从低峰往高峰发生,且差异性越大越容易发生漂移。