遗传算法是基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的全局概率搜索算法,具有良好的鲁棒性、全局收敛性和隐含并行性。但是,传统遗传算法本身并没有形成明确的知识体系,不能利用搜索空间的局部信息指导搜索,导致收敛速度缓慢,局部搜索能力差,存在早熟收敛等现象。引入问题的相关知识来改善遗传算法搜索效果,并利用遗传算法已有的经验以及能反映进化本质的知识来指导进化,提高算法的寻优效果和效率,将使问题获得更好的解决。基于这一认识,本文将问题域知识、进化过程知识和多种群进化机制引入遗传算法,形成基于知识和多种群进化的遗传算法。本文的主要工作和成果如下:(1)在遗传算法中引入问题相关解,研究结果表明引入的知识与问题之间的相关程度越高对问题的求解的帮助越大。本文提出基于个体相似性的自适应遗传算法,加大不相似个体之间的交叉率,可以保证群体多样性,从而改善算法的全局搜索能力,而降低相似个体之间的交叉概率,则可以节约计算资源,提高运算速度。(2)在深入分析了种群的多样性的基础上,提出了基于种群多样性的动态种群规模遗传算法。该算法在进化过程中减小种群规模,而当进化到多样性缺少阶段时则加大种群规模而构造出的一种局部搜索能力和全局搜索能力都较强的算法。实验表明该方法不易陷入局部收敛,不仅具有很强的跳出局部极值的能力,且收敛速度较快。(3)借鉴自然界中的种群分工现象,提出了遗传机制不同的双种群遗传算法和三种群遗传算法,在不同的子种群中,采用不同的策略控制进化过程,具有均衡算法的局部搜索能力和全局探索能力。实验表明采用不同遗传机制的多物种进化机制有助于增加遗传算法搜索到最优个体的概率,抑制算法的早熟收敛。(4)借鉴物种进化中多物种进化的现象适应,提出基于聚类的并行遗传算法,对所有进化个体进行聚类分析,不同聚类簇采用不同的进化策略。本文对该算法的收敛性进行了理论证明,同时实验结果表明该算法搜索到全局最优解的概率有很大提高,同时较好地保持种群多样性。(5)对噪声环境下的遗传算法进行了深入的研究,采用信号滤波中的非线性滤波方法计算个体目标函数值,有效减小噪声对适应度评价的影响。提出了两个新的评价指标——平均收敛精度和最优解分布标准差,实验说明这两个新的指标可以有效反映算法在噪声环境下的优化性能。将基于聚类的并行遗传算法应用于噪声环境下的优化问题,结果表明基于聚类的并行遗传算法能有效抑制噪声的影响。