科学理论研究与实践中,往往存在着这样一类问题,就是需要在众多的方案中确定最优方案的标准,并且给出寻找最优方案的方法,此类问题就称为优化问题。目前对于一些简单的情况,科学工作者已经研究出了比较成熟的算法和方法。但是,对于一些复杂的系统,他们往往感到力不从心,努力寻求更加有效的方法。20世纪40年代以来,学者注意到生物在自然演化过程中表现出强大的适应能力,生物不断复制优势遗传基因,改善群体的适应性,得到具有很强适应性的优良物种。遗传算法正是建立在自然演化系统理论研究基础之上的一类优化方法。作为一类有效的全局优化搜索算法,遗传算法具有以下特点:(1)使用群体搜索技术,具有隐含并行性,提高了算法的运行效率;(2)使用基于目标函数值的评价信息,不需要目标函数的代数表达式;(3)具有很强的稳定性,提高了结果的可信度;(4)简单通用,便于与其他方法结合成混合算法。但是,遗传算法的局部搜索能力不强。即便依靠强的全局收敛性可以很快地达到最优解附近,搜索到最优解也要花很长时间。造成上述现象的主要原因在于子代不断继承父代的基因,降低了群体的多样性程度,使得算法易于陷入局部收敛。为充分利用遗传算法的优势、避开其缺陷、加快收敛速度,除了设计科学合理的基本操作算子、选取适合的参数之外,一个有效的方法就是采用混合策略。也就是在遗传进化的过程中引入快速收敛的局部寻优算法,构成混合遗传算法。国外研究人员在提高遗传算法的局部搜索能力、加快寻优速度方面取得了显著的成果(Allen Gardner B, Michael S S, 2003),(KurtA H, John Eddy, Kemper E L, 2002), (Ghasemi M R ,Hinton E ,Wood R D, 1999)。国内研究人员对遗传算法与可变容差法、模拟退火法等的混合算法进行了研究,也在许多不同领域的应用获得了重要的成果? M.J. Box于1965年提出了复合形方法(刘战合,2004),通过对设计个体进行反射、扩张、压缩等基本操作实现全局寻优,具有较强的局部寻优能力,易于收敛。本文将研究遗传算法与复合形法的结合,并通过实例结果分析该混合算法的性能。本文共六章,第一章介绍遗传算法的特征、发展与应用,并说明本文的选题依据,研究内容和基本方法。第二章介绍遗传算法的基础知识。第三章探讨遗传算法的实现技术,介绍相关的基本遗传操作算子。第四章给出遗传算法的一些改进策略,包括对基本操作算子设计与算法参数选取的改进,以及对遗传算法早熟收敛现象的改进方案。改进方案从两个角度来研究遗传算法与复合形方法的结合,分别称为改进遗传算法1与改进遗传算法2。第五章将第四章的改进策略应用于配电网设备检修计划优化模型的求解。结果显示,与基本遗传算法相比,改进算法在性能上有较大的优越性,能够在很大程度上降低成本,具有很好的经济应用价值。第六章给出了本文的总结以及可以进一步研究的方向。