馮小丹　婁自婷　王文元

摘要：并行遺傳算法（PGA）將并行計(jì)算機(jī)的高速并行性和遺傳算法天然的并行性相結(jié)合，極大地促進(jìn)了遺傳算法的研究與應(yīng)用。該文對(duì)近年來(lái)并行遺傳算法的模型、性能分析、算法改進(jìn)、實(shí)現(xiàn)平臺(tái)進(jìn)行了歸納和評(píng)述，并且對(duì)并行遺傳算法今后的主要研究方向和發(fā)展前景進(jìn)行了展望。

關(guān)鍵詞： 遺傳算法；并行遺傳算法；并行模型

中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）10-2347-04

Abstract： Parallel Genetic Algorithm（PGA） combines High-speed parallel computer and natural parallelism of parallel genetic， which greatly promotes the research and application in genetic algorithm. The recent research developments in PGA models， performance analysis， algorithm improvement， and implementation platform are summarized and reviewed， and the development trends and application perspectives of PGA in the future is also discussed.

Key words： genetic algorithm； parallel genetic algorithm； parallel model

并行遺傳算法（PGA）作為GA的一個(gè)重要分支，得到了越來(lái)越多專家們的重視。PGA正成為GA中的一個(gè)重要研究方向。近年來(lái)，對(duì)于PGA的理論和應(yīng)用研究，許多計(jì)算機(jī)科學(xué)家做了大量的工作并取得了一定的成果。并行遺傳算法將并行計(jì)算機(jī)的高速并行性和遺傳算法的天然并行性相結(jié)合，不僅提高了求解速度，而且由于種群規(guī)模的擴(kuò)大和各子種群的隔離，減少了未成熟收斂的可能性，提高了求解質(zhì)量。

1 傳統(tǒng)并行遺傳算法模型

實(shí)現(xiàn)PGA，需要對(duì)傳統(tǒng)GA進(jìn)行修改：一是要把串行GA的單一種群分成多個(gè)子種群，分而治之；二是要控制、管理子種群之間的信息交換，不同的分治方法產(chǎn)生不同的PGA結(jié)構(gòu)[1]。傳統(tǒng)并行遺傳算法模型[2][3]包括：主從式模型、細(xì)粒度模型、粗粒度模型、混合模型。

1.1 主從式模型

主從式模型是遺傳算法的直接并行化方案，不改變遺傳算法的基本結(jié)構(gòu)特點(diǎn)。在主從式模型中，遺傳算子包括選擇算子、交叉算子、變異算子以及其它高級(jí)算子都并行應(yīng)用于單一種群，所有的并行處理都在單一種群內(nèi)部進(jìn)行。主從式模型易于實(shí)現(xiàn)，保留了簡(jiǎn)單遺傳算法的搜索行為，可以直接應(yīng)用于簡(jiǎn)單的遺傳算法中。

1.1.1 選擇算子

在遺傳算法中，選擇算子[4]的核心思想就是優(yōu)勝劣態(tài)，適應(yīng)度高的個(gè)體進(jìn)入下一代種群的概率大；適應(yīng)度低的個(gè)體進(jìn)入下一代種群的概率小。根據(jù)各個(gè)個(gè)體的適應(yīng)度，按照一定的規(guī)則或方法進(jìn)行實(shí)際的選擇，用來(lái)確定重組或交叉?zhèn)€體，以及被選個(gè)體將產(chǎn)生多少個(gè)體代個(gè)體。計(jì)算適應(yīng)度可以采用按比例或基于排序的適應(yīng)度計(jì)算，進(jìn)行實(shí)際的選擇可采用輪盤賭選擇法、隨機(jī)遍歷抽樣法、局部選擇法和錦標(biāo)賽選擇法等。

1.1.2 交叉算子

在遺傳算法中，交叉算子[5]就像人類社會(huì)的婚姻過程，交叉又稱為基因重組，是結(jié)合來(lái)自父代交配種群中的信息產(chǎn)生新的個(gè)體，對(duì)每一對(duì)個(gè)體.以某個(gè)概率（稱為交叉概率）交換它們之間的部分染色體。依據(jù)編碼表示方法的不同，有實(shí)值交叉和二進(jìn)制交叉操作。

1.1.3 變異算子

變異算子[6]是對(duì)群體中的每一個(gè)個(gè)體，以某一概率（稱為變異概率）改變某一個(gè)或某一些基因座上的基因值為其他的等位基因。針對(duì)不同的編碼方案，常用的編譯操作有實(shí)值變異和二進(jìn)制變異。

1.2 細(xì)粒度模型

當(dāng)并行計(jì)算機(jī)系統(tǒng)的規(guī)模很大，處理器多到可以與染色體一一對(duì)應(yīng)，即每一處理器上駐扎一個(gè)染色體時(shí)，可以采用細(xì)粒度模型的并行遺傳算法。由于對(duì)處理器數(shù)量的要求很高，所以細(xì)粒度模型的應(yīng)用范圍不廣，一般只運(yùn)行于大規(guī)模的并行計(jì)算機(jī)。

1.3 粗粒度模型

粗粒度并行遺傳算法被稱作分布式模型或孤島模型。在粗粒度模型中，各個(gè)子群體在不同的處理器上相互獨(dú)立的執(zhí)行進(jìn)化操作，每經(jīng)過一定的進(jìn)化代，各子群體間會(huì)交換若干的個(gè)體以引入其它子群體的優(yōu)秀基因。粗粒度模型的通信開銷較小，可獲得接近線性的加速比，適合運(yùn)行在通信帶寬較低的集群系統(tǒng)上。在粗粒度模型的研究中，要解決的重要問題是參數(shù)選擇，包括遷移拓?fù)?、遷移率、遷移周期等。

1.4 混合模型

混合PGA又稱為多層并行PGA模型，它把三種基本模型混合形成層次結(jié)構(gòu)，主要有粗粒度-細(xì)粒度、粗粒度-粗粒度、粗粒度-主從式。實(shí)際中應(yīng)用較多是粗粒度-主從式模型。首先，按上層的并行模型將全局種群劃分成若干種群，然后，各種群按照下層的并行模型將其分成若干子種群。在下模型中每個(gè)子種群按下層模型進(jìn)行進(jìn)化，而在上層模型中，種群之間按上層模型協(xié)調(diào)運(yùn)行[7]。

對(duì)于不同的應(yīng)用問題，基本GA的參數(shù)難于設(shè)定，但混合PGA允許GA參數(shù)隨染色體進(jìn)化而進(jìn)化，因此，結(jié)點(diǎn)的結(jié)構(gòu)是動(dòng)態(tài)變化的，這樣減少了遺傳算法因具體求解任務(wù)而受影響的程度，所以混合PGA是自適應(yīng)算法，然而該算法最為復(fù)雜，實(shí)現(xiàn)代價(jià)高[8]。

2 并行遺傳算法的性能分析

在上世紀(jì)90年代中期以前，雖然并行遺傳算法被廣泛應(yīng)用于各種領(lǐng)域，但主要限于實(shí)踐，為得到好的優(yōu)化效果，研究者要進(jìn)行大量的實(shí)驗(yàn)，試用各種策略和參數(shù)。

文獻(xiàn)[9]給出了兩條定性評(píng)價(jià)并行遺傳算法的指標(biāo)：（1）確定一個(gè)適應(yīng)度指標(biāo)，利用串行遺傳算法最短的搜索時(shí)間（找到一個(gè)個(gè)體適應(yīng)度高于適應(yīng)度指標(biāo)）除以并行遺傳算法的搜索時(shí)間，作為并行遺傳算法的加速比指標(biāo)。（2）給定一段時(shí)間，利用并行遺傳算法進(jìn)行優(yōu)化，能夠得到的最高適應(yīng)度比利用串行遺傳算法搜索到的最高適應(yīng)度高出多少。

3 并行遺傳算法的改進(jìn)

經(jīng)典遺傳算法存在著局部搜索性能較差的缺陷，對(duì)于某些分布變化緩慢的問題，需要進(jìn)行大量的計(jì)算，并且由于進(jìn)化初期的超常個(gè)體使得種群過早收斂到局部最小值。而改進(jìn)的并行遺傳算法通過編碼表示及參數(shù)設(shè)定的思想，在系統(tǒng)中建立一個(gè)存放精華個(gè)體的主機(jī)，來(lái)控制系統(tǒng)的通信以及精華種群的傳播，使系統(tǒng)中通信量減少，有利于提高算法的時(shí)間性能。

3.1 改進(jìn)的主從式并行遺傳算法

遺傳算法的內(nèi)在并行性不僅僅體現(xiàn)在適應(yīng)度計(jì)算階段，選擇、交叉和變異三個(gè)階段均可并行執(zhí)行。之所以傳統(tǒng)的主從模式?jīng)]有將這三個(gè)階段并行執(zhí)行， 是因?yàn)閭鹘y(tǒng)的主從模型針對(duì)并行集群設(shè)計(jì)，必須考慮結(jié)點(diǎn)間的通信延遲和負(fù)載平衡，因此不適宜對(duì)計(jì)算量相對(duì)較小的選擇、交叉和變異三個(gè)階段采用并行執(zhí)行。而改進(jìn)的主從式并行遺傳算法[10]將選擇、交叉和編譯三個(gè)階段也采用并行執(zhí)行，在多核計(jì)算環(huán)境下通過多線程的方式實(shí)現(xiàn)程序的并行執(zhí)行，進(jìn)程間通信通過共享內(nèi)存完成， 通信延遲不再影響并行程序的性能。

3.2 改進(jìn)的粗粒度并行遺傳算法

為了解決在分布式系統(tǒng)中，需要使每個(gè)處理器了解整個(gè)系統(tǒng)信息，需要花費(fèi)大量時(shí)間，實(shí)現(xiàn)起來(lái)也比較復(fù)雜。傳統(tǒng)粗粒度并行遺傳算法存在容易早熟并且收斂速度較慢的不足?；诖?，采用改進(jìn)的并行遺傳算法可以保證算法的時(shí)間開銷，有效的增加種群的多樣性，抑制早熟現(xiàn)象，提高最優(yōu)解的質(zhì)量[11]。文獻(xiàn)[12]首先初始化種群，遺傳代數(shù)歸零；網(wǎng)絡(luò)中的各個(gè)從機(jī)接受主機(jī)的啟動(dòng)信號(hào)后，開始進(jìn)行串行遺傳計(jì)算，對(duì)種群的大小、染色體的長(zhǎng)度、交叉率、變異率、最大進(jìn)化代等遺傳參數(shù)進(jìn)行設(shè)置；然后進(jìn)行選擇、交叉和變異操作后，分別計(jì)算個(gè)體的適應(yīng)度；如果滿足遷移條件，將當(dāng)前從機(jī)中最優(yōu)個(gè)體傳送給主機(jī)的優(yōu)秀基因庫(kù)，之后接收主機(jī)發(fā)送的優(yōu)秀基因，淘汰從機(jī)中適應(yīng)度最差的個(gè)體。

3.3 基于自適應(yīng)遷移策略的并行遺傳算法（AMPGA）

基于傳統(tǒng)并行遺傳算法存在遷移固定不變，盲目性等缺點(diǎn)[13]，提出了一種基于自適應(yīng)遷移策略的并行遺傳算法（AMPGA） [14]，其算法包括精英策略，編碼方式，選擇算子，交叉淘汰算子，遷移算子，接受算子等組成部分。在AMPGA中，各個(gè)子種群中執(zhí)行個(gè)體的遷移時(shí)，改變了傳統(tǒng)并行遺傳算法遷移固定不變的缺點(diǎn)，根據(jù)當(dāng)前的演化狀態(tài)動(dòng)態(tài)、有條件地遷移，并解決了盲目性與局限性等缺點(diǎn)。

綜上所述，基于傳統(tǒng)并行遺傳算法在收斂速度，時(shí)間性能，求解精度及并行效率等方面存在局限性，提出的多種改進(jìn)的并行遺傳算法高效率的解決了一系列問題。

4 并行遺傳算法程序的實(shí)現(xiàn)平臺(tái)

4.1 工作站機(jī)群（COW）

工作站機(jī)群COW [15]是實(shí)現(xiàn)并行計(jì)算的一種新的主流技術(shù)，是屬于分布式存儲(chǔ)的MIMD并行計(jì)算機(jī)結(jié)構(gòu)，由工作站和互連網(wǎng)絡(luò)兩部分組成。充分利用各工作站資源，統(tǒng)一調(diào)度、協(xié)調(diào)處理，大大提高了求解的質(zhì)量。

在工作站機(jī)群上構(gòu)造并行遺傳算法，需要考慮的問題有：

1）子群體劃分方式?？刹捎脤⒄麄€(gè)群體M均勻分配到p個(gè)處理機(jī)的方式。

2） 信息交換方式。在并行遺傳算法運(yùn)行過程中，各處理機(jī)間要互相交換一些信息，信息交換方式通過參加信息交換的對(duì)象、交換信息的內(nèi)容、交換時(shí)間、交換信息量這四個(gè)部分組成。

4.2 集群系統(tǒng)

從PC或工作站集群到SMP集群的可擴(kuò)展計(jì)算機(jī)集群[16]正很快成為高性能計(jì)算的標(biāo)準(zhǔn)平臺(tái)。這種系統(tǒng)建立在容易購(gòu)買且價(jià)格低廉的商品化硬件、快速局域網(wǎng)和標(biāo)準(zhǔn)軟件組件之上，他們根據(jù)預(yù)算和計(jì)算能力的要求做出調(diào)整，能夠有效地運(yùn)行高要求的并行和串行程序。借助高性能計(jì)算機(jī)（集群系統(tǒng)）[17]，在高性能并行軟件環(huán)境的支持下，設(shè)計(jì)并實(shí)現(xiàn)一種并行遺傳算法，使該算法具有可行性和有效性。

4.3 多核微機(jī)

隨著技術(shù)的成熟與價(jià)格的下降，多核CPU逐漸普及，而用高性能多核PC組建的集群系統(tǒng)具有投資風(fēng)險(xiǎn)小、結(jié)構(gòu)靈活、可擴(kuò)展性強(qiáng)、易于實(shí)現(xiàn)的特點(diǎn)，有很高的性價(jià)比，可以容易地利用較低的成本獲得傳統(tǒng)并行機(jī)的高計(jì)算性能。構(gòu)建以多核PC為單計(jì)算節(jié)點(diǎn)的集群系統(tǒng)已成為并行計(jì)算機(jī)體系結(jié)構(gòu)的一個(gè)發(fā)展趨勢(shì)，也是一種有效適用的并行計(jì)算機(jī)系統(tǒng)的實(shí)現(xiàn)方法[18]。

4.4 Internet

目前，遺傳算法以粗粒度并行遺傳算法最為流行，它只需在串行遺傳算法中增加遷移子例程，在并行計(jì)算機(jī)的節(jié)點(diǎn)上各自運(yùn)行一個(gè)副本，并定期交換幾個(gè)個(gè)體即可，此算法非常適合在Internet平臺(tái)下實(shí)現(xiàn)。其穩(wěn)定性好，優(yōu)化速度明顯得到改善，優(yōu)化質(zhì)量得到顯著提高，能較快地找到問題的最優(yōu)解或次優(yōu)解。但在實(shí)際應(yīng)用中，還需考慮計(jì)算機(jī)之間的協(xié)同工作能力、網(wǎng)絡(luò)通訊量、網(wǎng)絡(luò)是否安全和用戶是否愿意參與等問題。

5 并行遺傳算法的應(yīng)用

并行遺傳算法[19]是模擬自然界生物進(jìn)化過程與機(jī)制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)，已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)科學(xué)、人工智能、信息技術(shù)及工程實(shí)踐等多個(gè)領(lǐng)域中。

1）列車控制

列車控制[20]問題是研究如何控制列車運(yùn)行以使得能耗最小，采用主從式控制網(wǎng)絡(luò)PGA能夠有效解列車控制問題，PGA的加速比比較滿意。GA與其它優(yōu)化算法相結(jié)合能顯示出強(qiáng)大的搜索優(yōu)勢(shì)，并且算法易實(shí)現(xiàn)。

2） 組合優(yōu)化

隨著問題規(guī)模的增大，組合優(yōu)化問題的搜索空間也急劇擴(kuò)大，有時(shí)在目前的計(jì)算機(jī)上用枚舉法很難或甚至不可能求出其精確最優(yōu)解。對(duì)這類問題，遺傳算法是尋求這種滿意解的最佳工具之一。實(shí)踐證明，遺傳算法對(duì)于組合優(yōu)化中的NP完全問題非常有效。例如，遺傳算法已經(jīng)在求解旅行商問題、背包問題、裝箱問題、圖形劃分問題等方面得到成功的應(yīng)用[21]。

3） 帶約束并行多機(jī)調(diào)度

在實(shí)際工程應(yīng)用中，經(jīng)常遇到的并行多機(jī)調(diào)度問題帶有約束條件，最小化完工時(shí)間的帶約束并行多機(jī)調(diào)度問題的并行遺傳算法可解決這一問題。計(jì)算時(shí)間短，適應(yīng)性強(qiáng)，魯棒性高，適用于大規(guī)模問題。例如在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)車間調(diào)度、生產(chǎn)規(guī)則、任務(wù)分配等方面并行遺傳算法都得到了有效的應(yīng)用[22]。

4）函數(shù)優(yōu)化

函數(shù)優(yōu)化[23]是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域，也是對(duì)遺傳算法進(jìn)行性能評(píng)價(jià)的常用算例，很多人構(gòu)造出了各種各樣的復(fù)雜形式的測(cè)試函數(shù)。用幾何特性各具特色的函數(shù)來(lái)評(píng)價(jià)遺傳算法的性能，更能反映算法的本質(zhì)效果。而對(duì)于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題，用其他優(yōu)化方法較難求解，而并行遺傳算法卻可以方便地得到較好的結(jié)果。

5） 機(jī)器人智能控制

機(jī)器人是一類復(fù)雜的難以精確建模的人工系統(tǒng)，而遺傳算法的起源來(lái)自于對(duì)人工自適應(yīng)系統(tǒng)的研究，所以機(jī)器人智能控制理所當(dāng)然地成為遺傳算法的一個(gè)重要應(yīng)用領(lǐng)域。例如，遺傳算法已經(jīng)在移動(dòng)機(jī)器人路徑規(guī)劃、關(guān)節(jié)機(jī)器人運(yùn)動(dòng)規(guī)劃、機(jī)器人逆運(yùn)動(dòng)學(xué)求解、細(xì)胞機(jī)器人的結(jié)構(gòu)優(yōu)化和行動(dòng)協(xié)調(diào)等方面得到研究和應(yīng)用[24]。

6） 自動(dòng)控制

在自動(dòng)控制領(lǐng)域中許多與優(yōu)化相關(guān)的問題需要求解，因而并行遺傳算法的應(yīng)用日益增加，并顯示了良好的效果[25]。

7）圖像處理和模式識(shí)別

圖像處理和模式識(shí)別是計(jì)算機(jī)視覺中的一個(gè)重要研究領(lǐng)域。在圖像處理過程中，如掃描、特征提取、圖像分割等不可避免地會(huì)產(chǎn)生一些誤差，這些誤差會(huì)影響到圖像處理和識(shí)別的效果。如何使這些誤差最小是使計(jì)算機(jī)視覺達(dá)到實(shí)用化的重要要求。并行遺傳算法在圖像處理中的優(yōu)化計(jì)算方面是完全勝任的。目前，已在圖像分割、圖像恢復(fù)、圖像邊緣特征提取、幾何形狀識(shí)別等方面得到了應(yīng)用[26]。

8） 機(jī)器學(xué)習(xí)

學(xué)習(xí)能力是高級(jí)自適應(yīng)系統(tǒng)所應(yīng)具備的能力之一?；诓⑿羞z傳算法的機(jī)器學(xué)習(xí)，特別是分類器系統(tǒng)，在許多領(lǐng)域得到了應(yīng)用。

9） 人工生命

人工生命是用計(jì)算機(jī)等人工媒體模擬或構(gòu)造出具有自然生物系統(tǒng)特有行為的人造系統(tǒng)。自組織能力和自學(xué)習(xí)能力是人工生命的兩大主要特征。人工生命與遺傳算法有著密切的關(guān)系，基于并行遺傳算法的進(jìn)化模型是研究人工生命現(xiàn)象的重要理論基礎(chǔ)。

6 小結(jié)

并行遺傳算法的研究歸納起來(lái)分為理論與技術(shù)研究、應(yīng)用研究?jī)蓚€(gè)方面。理論與技術(shù)研究主要從遺傳操作、群體大小、參數(shù)控制、適應(yīng)度評(píng)價(jià)以及并行實(shí)現(xiàn)技術(shù)等方面來(lái)提高算法的性能。開發(fā)并行遺傳算法的商業(yè)軟件、開拓更廣泛的并行遺傳算法應(yīng)用領(lǐng)域是今后應(yīng)用研究的主要任務(wù)。

參考文獻(xiàn)：

[1] 王小良，李強(qiáng).并行遺傳算法研究及其應(yīng)用[J].微計(jì)算機(jī)信息，2007，23（3）：205-206.

[2] 余艷芳，錢峰.并行遺傳算法研究[J].化學(xué)世界，2002，3（7）：189.

[3] 賈麗媛.并行遺傳算法研究[J].湖南城市學(xué)院學(xué)報(bào)（自然科學(xué)版），2006，15（3）：72-74.

[4] 郭肇祿.一種基于自適應(yīng)遷移策略的并行遺傳算法[D].江西理工大學(xué)，2009.

[5] 劉嵩.改進(jìn)的并行遺傳算法應(yīng)用研究[D].大連交通大學(xué)，2006.

[6] 趙航濤.并行遺傳算法概述[J].福建電腦，2006，4：31-32.

[7] 于濱，姚寶珍，于艷弘.一種基于粗粒度—主從式的混合并行遺傳算法[J].微型電腦應(yīng)用，2004，20（9）：16-18.

[8] 曾國(guó)蓀，丁春玲.并行遺傳算法分析[J].計(jì)算機(jī)工程，2001，27（9）： 53-55.

[9] Han Yang Foo. Esbensen H， Song J. et al. Performance improvement of a genetic algorithm for floorplanning with parallel computing technology[A].Proc.ISCA97[C].Yew York，USA：IEEE，1997.3：1544-1547.

[10] 謝克家，劉昕，王成良.多核計(jì)算環(huán)境下改進(jìn)的主從式并行遺傳算法[J].微計(jì)算機(jī)信息，2011，27（3）：164-166.

[11] 趙戈.改進(jìn)的并行遺傳算法在知識(shí)庫(kù)中的應(yīng)用研究[D].大連交通大學(xué)，2008.

[12] 劉嵩.改進(jìn)的并行遺傳算法應(yīng)用研究[D].大連交通大學(xué)，2006.

[13] 李偉，黃穎，李康順.一種基于自適應(yīng)遷移策略的并行遺傳算法[J].武漢理工大學(xué)學(xué)報(bào)，2011，33（7）：138-142.

[14] 郭肇祿.一種基于自適應(yīng)遷移策略的并行遺傳算法[D].江西理工大學(xué)，2009.

[15] 張曉波，并行遺傳算法求解應(yīng)急系統(tǒng)最短路徑的研究[D]，太原理工大學(xué)，2005.

[16] 王冠.并行遺傳算法及其在組合優(yōu)化問題上的分布式應(yīng)用[D].武漢理工大學(xué)，2003.

[17] 馬曉晨.遷移式并行遺傳算法求解支持向量機(jī)反問題[D]，河北大學(xué)，2008.

[18] THOMASZEWSKIB，PABST S，BLOCH INGER W.Parallel techniques for physically based simulation on multi-core processor architectures[J].Computers and Graphics， 2008 （32） ： 25-40.

[19] 來(lái)金花.基于并行遺傳算法的圖像分割的設(shè)計(jì)與實(shí)現(xiàn)[D].天津工業(yè)大學(xué)，2009.

[20] 吳昊.并行遺傳算法的研究與應(yīng)用[D].安徽大學(xué)，2001.

[21] 李余琪.遺傳算法在數(shù)據(jù)挖掘中的研究與應(yīng)用[D].中南大學(xué)，2007.

[22] 華靈群.基于遺傳算法的旅行商問題仿真研究[D].西北工業(yè)大學(xué)，2006.

[23] 李余琪.遺傳算法在數(shù)據(jù)挖掘中的研究與應(yīng)用[D].中南大學(xué)，2007.

[24] 韓麗霞.解兩類組合優(yōu)化問題的遺傳算法[D].西安電子科技大學(xué)，2005.

[25] 趙戈.改進(jìn)的并行遺傳算法在知識(shí)庫(kù)中的應(yīng)用研究[D].大連交通大學(xué)，2008.

[26] 王海龍.并行遺傳算法在裝箱問題中的應(yīng)用研究[D].山東大學(xué)，2008.