该文针对传统遗传算子的半盲目性,提出了建立基因库来指导遗传算子搜索方向的思想.并分别针对静态和动态的路径优化问题,设计了相应的基因库遗传算法.该文主要的工作和创新如下:(1)总结了传统遗传算法的基本特征,并在此基础上详细讨论和分析了传统遗传算子的缺点:即搜索算子的半肓目性.这一问题成为该文研究的出发点,使得该文的研究具有针对性和合理性.(2)为改善遗传算子的半盲目性,提出了在遗传算法中建立基因库的思想.尝试利用基因库保存问题的特征信息,并在演化过程中用这些特征信息来指导遗传算子的搜索方向,加快遗传算法的收敛速度.(3)针对静态TSP问题,提出了一种新的基因库遗传算法(Ge_GA).算法主要的创新在于基因库的设计和将基因库结合到遗传算子的搜索中.通过建立TSP中城市结点间的最小生成树(Minimal Spanning Tree,MST)和1-MST,我们定义了一种衡量一条边属于最优路径可能性的度量值,这一度量值标识着该边离最优路径的"距离",最后根据这个"距离"值建立基因库.试验效果表明这种建立基因库的方法能够有效的提取TSP问题的特征,所生成的基因明显要优于利用贪婪法提取的基因块.算法另一个创新在于利用基因库指导遗传算子的搜索方向,大大降低其搜索空间.对于TSP问题,我们将郭涛提出的Inver-Over算子与基因库相结合,对于200左右城市的TSP问题都取得了很好的计算结果(4)针对Ge_GA算法对于大规模的TSP问题在优化后期表现出的收敛缓慢性,我们提出了加入LK局部搜索的混合遗传算法(HGe_GA).该算法改进了原有的Ge_GA算法,在基因库支持的基础上,局部搜索算子(Ge_LocalSearch)提高解的质量,全局搜索算子(Ge_InverOver)开拓解的空间.我们测试了TSPLIB中的多个实例(城市数目从70到1577).试验结果表明,基因库有效的提高了群体演化的质量,局部搜索与全局搜索的结合大大提高了算法收敛速度.(5)为加快原Inver-Over算子的收敛速度,我们提出了一种自适应性基因库遗传算法(SGe_InverOver).这个算法的主要特征在于其基因库实现简单,具有随种群进化而进行自适应性更新的能力.自适应基因库中始终保持当前最优路径,因而对于指导种群中其他个体的搜索方向具有指导性.该算法的另外一个优点在于改进了Inver-Over操作,将每一次Inver-Over操作过程中的最优值作为生成的子个体,大大提高了子个体生成质量.(6)将SGe_InverOver算法应用于动态TSP问题,设计了适合动态环境优化的算法(DSGe_InverOver).很多现实问题都可以归结为动态TSP问题,但现在在这方面的研究还很少,该文主要讨论遗传算法求解DTSP问题时收敛速度和种群多样性的相互关系.通过试验计算,DSGe_InverOver算法在收敛速度和保持种群多样性上都表现出良好性能.