模拟退火增强的分域遗传算法：SANGA提升优化性能

本文主要探讨了一种改进的基于模拟退火的niche遗传算法(Simulated Annealing-based Niche Genetic Algorithm, SANGA)，该算法旨在增强niche遗传算法(NGA)的优化能力。传统上，NGA通过简单的距离条件来定义群体中的niche（即相似个体聚集的小群体），然而，SANGA引入了概率条件作为辅助决策因素。这意味着，个体不仅根据与邻近个体的距离，还根据它们之间的相似性概率来形成或离开niche。这样做的目的是避免仅与近距离个体聚集导致的局部最优，同时允许具有较远但相似个体的个体有机会探索更广阔的搜索空间。 与基于惩罚的NGA、基于适应性突变的NGA（如确定性拥挤策略）以及共享适应度的NGA相比，SANGA在解决0-1背包问题等模拟实验和实际应用中展现了更强的可行性和有效性。通过对比这些不同的算法，研究者发现SANGA能够更好地平衡全局搜索和局部优化，从而在求解复杂优化问题时提高搜索效率和解决方案的质量。 模拟退火作为一种启发式搜索算法，其核心思想是允许算法在搜索过程中接受局部较差的解，以增加找到全局最优解的可能性。在SANGA中，这个特性被用来控制niche内个体的更新和扩散，使其能够在保持群体多样性的同时，跳出局部最优区域。 关键词包括：niche遗传算法、模拟退火niche、适应性突变、0-1背包问题。SANGA是一种创新的混合方法，它结合了遗传算法的进化原理和模拟退火的随机性，以提高在处理优化问题上的性能。通过概率条件驱动的niche形成策略，SANGA展示了在实际问题求解中的优势，有望在更多领域得到应用。