※ 引述《KJFC (KJFC)》之銘言：
: 基因演算法收斂的時候
: 如果收斂在局部最佳解
: 那要怎麼跳脫比較好
: 我有試過調高突變率
: 但是效果不太好
: 在收斂前上下震盪
: 但是又不知道如何判斷是否接近收斂
: 如果在收斂後才震盪
: 有時又會收斂回局部解
: 請問這個問題應該怎麼解決?
首先你要知道，這不是一個可以100%解決的問題，我們做的事頂多是「嘗試」提
升它掉到最佳解的機會，可是這只是機率上的，運氣不好或解的分佈很奇特的話，會
掉到局部解就是會掉下去，沒法完全避免。
回到你的問題，其實你的描述不太精確，你的說法意思是你過程中「曾經」碰到
那個最佳解，但是後來又跳走？既然如此你的評估函式看到它的話應該會把它留下來
才對呀？或者說是因為你的評估函式為了加速或某些特定原因所以並非100%準確，因
此最佳解不一定得到最高分，所以有可能放走？如果是這樣，除了修正評估函式以外
，頂多就是留下更多組讓最佳解留下來的機會更大吧。
如果你的問題其實不是這樣，而是跳來跳去都不會跳到最佳解，一直在局部解跳
，那就是調高突變讓它有機會跳出來跳到最佳解去，然後你可以嘗試使用如模擬退火
（Simulated annealing）的方式慢慢把突變機率降下來，讓它慢慢地不亂跳。但這
只是增加一些可能性而已，如你的描述，可能問題一開始就很容易落入局部解，不管
大跳多少次孔明都挖好洞，你只能像曹操一樣每笑一次就逃一次，這樣的情況也沒什
麼辦法。
以下引用中文wiki，你提到的也正在基因演算法的最大問題之中，而我講的可能
解法在最後一行：
儘管遺傳演算法有許多優點，也有許多專家學者對遺傳演算法進行不斷研究，但目前存
在的問題依然很多，如：
(1)適應度值標定方式多種多樣，沒有一個簡潔、通用的方法，不利於對遺傳演算法的
使用。
(2)遺傳演算法的早熟現象(即很快收斂到局部最優解而不是全局最優解)是迄今為止最
難處理的關鍵問題，但可考慮自適應跟蹤成熟度[1]。
(3)快要接近最優解時在最優解附近左右擺動，收斂較慢。
遺傳演算法通常需要解決以下問題，如確定編碼方案，適應度函數標定，選擇遺傳操作
方式及相關控制參數，停止準則確定等。相應地，為改進簡單遺傳演算法的實際計算性
能，很多學者的改進工作也是分別從參數編碼、初始群體設定、適應度函數標定、遺傳
操作算子、控制參數的選擇以及遺傳演算法的結構等方面提出的。其基本途徑概括起來
主要有下面幾個方面：
(1)改進遺傳演算法的組成成分或使用技術，如選用優化控制參數、適合問題特性的編
碼技術等。
(2)採用混合遺傳演算法(Hybrid Genetic Alogrithm)，比如混用簡單明了的粒子群演
算法[2]。
(3)採用動態自適應技術，在進化過程中調整演算法控制參數和編碼精度，比如使用模
糊自適應法[1]。
(4)採用非標準的遺傳操作算子。
(5)採用並行演算法。
幾種常見的改進遺傳演算法：
(1)分層遺傳演算法(Hierachic Genetic Alogrithm);
(2)CHC演算法;
(3)Messy遺傳演算法;
(4)自適應遺傳演算法(Adaptive Genetic Alogrithm);
(5)基於小生境技術的遺傳演算法(Niched Genetic Alorithm);
(6)並行遺傳演算法(Parallel Genetic Algorithm);
(7)混合遺傳演算法:
①遺傳演算法與最速下降法相結合的混合遺傳演算法；
②遺傳演算法與模擬退火法相結合的混合遺傳演算法。