1.1遗传算法和协同进化算法的研究历程
遗传算法简称GA产生于上世纪60年代，最先由美国大学Holland教授提出，是一种模拟生物遗传和进化的概率搜索方法。在发展GA的过程中Holland做出了一定的贡献。60年代时，Holland根据遗传和进化现象原理进行了钻研，并借鉴遗传的机制开发了人造自适应系统。70年代最初几年，Holland提出了有名的模式定理，为GA的研究奠基了理论基础。模式定理提出，群体中的优质个体样本数的增加显现指数级规律，从而确保了GA寻求最优可行解优化过程的可行性。1975年，Holland出版了一书。之后在其博士论文中进行了关于模式定理的许多数值优化计算试验，其结论对以后的研究起了至关重要的指导意义。1981年，Brindle的博士论文对六种选择策略进行了研究，克服了的随机误差的产生。1989年，是GA从古典阶段向现代阶段转变的时期，为现代GA奠定了基础。近几十年来，随着生物多样性和协同进化论的不断兴起，该理论作为生态学的基础理论为人类社会发展提供了基础。利用协同进化论进行的研究和应用比达尔文的进化论更为积极进步。
1.2论文的研究意义和内容
1.2.1论文的研究意义
最近，智能计算成为了一个热点研究方向，GA则是其中主要的研究方向之一。GA只是用于单种群的进化计算，对于多峰多目标的复杂函数优化、多个机器人同时路径规划、神经网络结构和连接权值同时优化、群体决策等比较复杂的实际问题，在优化时则难以胜任，但是CGA采用的是多种群同时进化，所以在解决以上问题时显示了其独有的特性。CGA基于协同进化的机制，能更好的模拟生物界进化的规律，随着计算机技术的发展，已经进入到智能算法中的一个全新的发展阶段，自上世纪提出以来，在许多领域的应用都取得了成功。
本文对CGA进行了详细的研究，并将其分别用于设计SOFM神经网络和解决车辆路径优化问题当中，具体有以下两方面：（1）在SOFM双神经网络中引入合作式CGA，并通过矿井突水水源判别问题检验新算法的性能。SOFM神经网络竞争学习过程全局搜索能力很差，所以在训练时引入全局搜索能力很强的合作型CGA。实验表明：新算法避免了”死神经元”现象，降低了算法的复杂度，具有较好的全局收敛性。（2）在建立协同进化模型时引入动态小生境技术，然后应用于车辆路径规划问题。新算法得到的车辆路径行程和运行时间上也比常规的算法要短的多。本文的研究和应用对CGA的应用提供了可鉴的新思路，并为其发展做出了一定的贡献。
2遗传算法的原理及过程
2.1遗传算法的基本原理
2.1.1GA的生物学基础
遗传算法的原理及过程遗传算法的基本原理的生物学基础
自然界中物种子代从父代继承下来的某种特征的现象叫做遗传，遗传学则是探索这种现象的科学。经过遗传学研究得知，细胞组成了物种的基本结构和功能单位，在这种物质当中，有种包含全部遗传信息的细小而又复杂的物质叫做染色体，而遗传信息取决于基因的排列组合。细胞经过分裂后父代的某种特性被遗传到下一代。经过专家研究，人们得知决定生物遗传特征的是一种叫做的物质。在细胞分割的过程中经过复制后转移到了下一代在细胞中，这样就完成了继承。生物在繁殖过程中，染色体之间通过交叉来重组，也就是说切断两个染色体之间某一相同位置的其前后两串基因分别交叉重组得到两个新染色体。如果细胞在进行复制时出现错误就使得一些瓜发生变异，从而产生出新染色体。它们表现出的特征跟父代不同。因此，基因或者染色体在遗传进程当中因出现各式各样的原因就发生了改变。
物种在繁衍后代的过程当中，逐步适应了周围的环境，进而得到了优良于亲代的物种，这种现象叫做进化。生物以群落形式共同进化，诸多个体组成群体。个体适应度是指不同个体对周围生活环境的不同适应能力。现代进化论以自然选择学说为主体。在自然选择学说中讲到，生物在繁殖过程中基因如果发生变异的话就改变了原来的基因从而形成新基因，而且变异的基因将遗传到子代。这种发生的概率可以预测，但具体哪个个体会发生这种情况却是随机的。这类新基因究竟能不能遗传到下一代由他们对周围生存环境的适应水平决定。自然界中生物的生存进化都充分揭示了他们对周围环境良好的适应能力。按照这种启示，开始钻研生物各种生存特点的机制并对其行为进行模拟，为人工智能算法的进一步发展开拓出一条光明的道路。
2.1.2GA基本描述
约束优化问题的数学模型如下：
2.2GA的优缺点
GA作为一种机率搜索算法，它在众多领域得到了普及使用，虽然理论上GA可以以概率的方式搜索到问题的最优解，但在具体应用当中会产生少许不太理想的问题，现将GA优缺点归纳如下：
GA的优点有：
（1）适用性好。遗传运算针对的对象是编码后的个体，与问题是否可导、连续无关，所以几乎能用来处理各种类型的问题。
（2）全局搜索能力比较强。GA的迭代是从一初始群体开始的，由于群体的多样性特征，GA能很好的调整局部搜索和全局搜索，避免了搜索过程中陷入局部最优解的可能。
（3）具有隐含并行性。GA以种群的形式进行搜索，同时使用不同点的搜索信息，适合用于同步计算。
（4）GA是采取概率的方式进行的随机搜寻技术，所以在进化过程中能不断的调整搜索方向，所以所获得的搜索信息具有自适应性、学习性、组织性。
GA的缺点有：
（1）容易产生早熟现象；
（2）局部搜索能力差；
（3）运行效率低；
（4）维持物种的多样性与快速收敛不能并行。
3协同进化遗传算法..............10
3.1协同进化遗传算法的提出及其基本思想...........10
4CGA在神经网络优化中的应用............15
4.1神经网络...........15
5CGA在车辆路径优化中的应用...........28
5.1车辆路径问题描述.........28
5CGA在车辆路径优化中的应用
5.1动态小生境CGA模型
协同进化是指种群与种群、种群与环境之间在生存过程中的彼此依赖、彼此协调的依存关系。动态小生境融合了共享和同时进化的优点，通过进化过程形成最高值就是小生境，全部个体动态来分类和利用这个高峰点就是动态小生境。动态小生境集的动态性体现在种群被动态的分为若干个子种群，小生境的动态性由小生境的核心部分决定。协同进化模型能够自动的实现小生境的定位，这个动态模型能够消除分布不均勾的优化解，所以能够加快计算的速度，进而加快了各子种群的进化速度。
动态小生境的CGA模型如图15：
总结
CGA是基于一个或多个种群同时进化的GA，不仅考虑个体之间的关系而且还考虑了个体与环境之间的关系。本文利用这种思想设计出了两种新算法：首先利用合作式CGA实现SOFM双狀神经网络的优化，在具体的优化过程中我们采用了混合编码的方式实现结构和连接权值的优化，即二进制编码和实数编码。把新算法应用于矿井突水水源的识别问题中，该算法的有效性得到了验证；另外，在协同进化思想上加入了动态小生境技术，形成新算法用于解决车辆路径优化问题，通过仿真得到了很好的效果。
应该指出的是，GA和神经网络的理论基础还很薄弱，在算法收敛性和复杂度方面缺乏合理、有效的理论成果和分析方法。因此本文对算法的评测也只能基于具体的问题和对比实验。另外，本文对神经网络的节点数和权值进行了优化，而没有涉及这些参数对神经网络的性能的影响，这些问题有待进一步研究。
参考文献（略）