研究的背景：
　　随着计算机的发展与应用，非线性规划研究越来越受到人们的关注。由非线性规划理论研究的基础上，人们更加重视非线性规划问题的求解方法研究。解决非线性规划问题的方法多种多样，例如罚函数法、拉格朗日乘子法、可行方向法、广义简约梯度法、
SQR方法、中心法等，不同的方法有不同的适用性。其中没有一种特别有效的算法解决一般的非线性规划问题，而且优化对象越来越复杂优化问题规模越来越大，传统上的这些优化方法的局限性愈加明显。人们在积极寻求更为有效的优化理论与方法，遗传算法等最优化方法由此而来。
　　遗传算法是模拟自然生物在自然环境中根据遗传学机理的进化过程与达尔文生物进化论的自然选择建立的计算模型，是一种通过模拟生物种群进化过程而形成的一种自适应全局优化概率搜索算法[1,4,5,14,16,17,18,19,20]。其历史可追溯到上世纪六十年代，美国密执安大学的Ho lland教授提出这一概念，衍生于当时对自然课人工自适应系统的研究。Ho lland 应用模拟遗传算子研究适应性。在Bagley1967 年关于自适应下棋程序的论文中, 他应用遗传算法搜索下棋游戏评价函数的参数集,提出了遗传算法这一术语。Holland 在1975年出版了《自然和人工系中的适应性》这一遗传算法历史上的经典著作, 正式提出遗传算法的概念，详细阐述了遗传算法的基本理论和方法，证明在遗传算子选择、交叉和变异的作用下, 具有低阶、短定义距以及平均适应度高于群体平均适应度的模式在子代中将以指数级增长[1.4.5.14.16.17.18.19.20]。Holland 创建的遗传算法, 是基于二进制表达的概率搜索方法。由自然生物种群为例。初代种群产生之后，根据问题域挑选个体，并且类似自然遗传学的遗传因子进行组合，变异和杂交来产生下一代。不断循环迭代，后生种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解[14]。遗传算法是一种迭代算法，它在每一次迭代是都拥有一组解，这组解最初是随机产生的，在每次迭代时又有一组新的解有模拟进化和继承的遗传操作生成。每个节都有一目标函数给予评判，一次迭代成为一代[4]。
研究的现状：
　　相比较其他算法, 遗传算法具有以下特点:从一群初始点而非单一的初始点开始的, 所以有效跳出局部极值点。使用的是目标函数的评价信息而非传统的目标函数的求导, 对目标函数的性态没有要求，具有良好的适应性和可规模化。有很好的全局最优解求解能力, 在非连续, 多峰以及有噪音的环境中, 具有良好的适用性[16]。 可扩充, 某一问题的遗传算法经简单修改后可用于其他相似问题, 或者添加特定领域的知识, 或者与已有算法结合来使用。遗传算法广泛应用于控制、规划、设计、图象处理、信号处理、机器人、人工生命以及人工神经网络等方面。主要有三类研究的方向: 对遗传算法自身的基础理论研究深化;。将遗传算法作为一种使用工具解决工程应用问题, 主要是进行系统优化,提高性能。使用遗传算法来研究演化现象, 这关系到复杂性科和人工生命学领域。
　　目前，遗传算法在解决非线性问题上的优良性能引起人们的重视，对于之前难以解决的函数优化问题、复杂的多目标规划问题、工农业生产中的配管、配线问题、以及机器学习、图象识别、人工神经网络的权系数调整和网络构造等问题，遗传算法是最优良的解决方法之一。遗传算法利用了生物进化和遗传的思想，它不同于枚举法，启发式算法，搜索算法等传统的优化方法，具有如下特点：自组织，自适应和智能性，遗传算法削除了算法设计中的一个最大障碍，即需要事先描述问题的全部特点，并说明针对问题的不同特点算法应采取的措施，因此，它可用来解决复杂的非结构化问题，具有很强的鲁棒性[20]。处理的对象不是问题本身，是参数编码集。遗传算法在许多优化问题中都有非常成功的应用，但也有一些不足之处，如编码不规范及编码存在表示的不准确性。单一的遗传算法编码不能全面地将优化问题的约束表示出来。而其根本问题为过早收敛。
　　由于遗传算法中选择及交叉等算子的作用，使得一些优秀的基因片段过早丢失，从而限制了搜索范围，使得搜索只能在局部范围内找到最优值，而不能得到满意的全局最优值[16]。这也是遗传算法的重大缺点。如何有效地克服遗传算法中的早熟收敛现象,成为许多学者研究的问题[16,17,18,19,]。本文提出了一种具有年龄结构的遗传算法,它结合自然规律和遗传算法的特点,对个体基因赋予年龄特征,通过对个体基因不同年龄的不同操作,有效地保持了群体中个体的多样性,使得算算法能够迅速地收敛到全局最优值[18]。
　　具有年龄结构的遗传算法，其基本思想是在遗传算法中引入一个年龄参数。群体中每进化一次个体的年龄加一，如果个体年龄达到死亡年龄，个体的存活概率为零，取群体中的最优解作为全局最优解。这样可以一定程度上克服过早收敛问题。
　　本毕设中着重讨论如何将年龄参数引入基本的遗传算法，如何关联个体年龄与其存活概率的方法，使遗传算法具有年龄结构。
本毕设拟取得的成果：
　　提出一种受年龄启发的改进遗传算法（MGA），在遗传算法中引入年龄结构，在一定程度上克服传统遗传算法过早收敛的问题。将改进的遗传算法应用到燃料电池模型参数估计上，验证算法的抗欺骗能力。　
　　
　参考文献：
[1] 葛继科,邱玉辉,吴春明,蒲国林. 遗传算法研究综述[J].计算机应用研究.2008,25(10)；2911-2916.
[2] 陶吉利.基于DNA计算的遗传算法及应用研究[D].杭州：浙江大学博士学位论文. 2007.
[3] 严宋寅,彭德高,等.芳香性概念的新发展[J]. 大学化学,2007, 3:67-66.
[4] 李华昌,谢淑兰.遗传算法的原理与应用[J]. 矿冶. 2005,14(1) :87-90.
[5] 张松艳.选择算子与遗传算法的计算效率分析[J].宁波大学学报理工版). 2009, 22(3):374-377.
[6] 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法[J].软件学报.2009,20(1):11-29.
[7] 张喜,张全寿.基于实数编码遗传算法的空车流量分配优化方法研究[J].系统工程理论与实践. 2006(11):130-138 144.
[8] 薛美盛,李祖奎,吴刚,孙德敏.油品调合调度优化问题的分步求解策略[J].中国科学技术大学学报. 2006,36(8):834-839.
[9] 杨世品. P系统优化算法及应用研究[D].杭州：浙江大学博士学位论文. 2012.
[10] 王康泰.RNA遗传算法及应用研究[D].杭州：浙江大学博士学位论文. 2011.
[11] 芮菊.固体氧化物燃料电池(SOFC)的建模与仿真[D].上海：上海交通大学.2008.
[12] 涂雄.电-电混合燃料电池汽车动力系统设计与优化研究[D].重庆.重庆交通大学硕士学位论文.2013.
[13] 吕慧珍.DNA 遗传算法及其在燃料电池中的应用研究[D].杭州.浙江工业大学硕士学位论文.2015.
[14] 段斌.基于改进遗传算法的建模和动态优化方法研究[D].杭州.浙江大学硕士学位论文.2011.
[15] 李奇,陈维荣,戴朝华,贾俊波,韩明.基于搜寻者优化算法的质子交换膜燃料电池[J]模型优化中国电机工程学报.2008,28（17）:119-124.
[16] 吴瑞镛,徐大纹.具有年龄结构的遗传算法[J].桂林电子工业学院院报.2001, 21(4): 43-46.
[17] 杨宜康,李雪,彭勒科,黄永宣.具有年龄结构的遗传算法[J].计算机工程与应用. 2002 (6) : 127-130.
[18] 朱娅妮,黎明,杨焱.具有年龄结构的遗传算法[J].计算机仿真.2004,21(6):127-130.
[19] 崔姗姗.遗传算法的一些改进和应用[D].合肥:中国科技大学硕士学位论文.2010.
[20] 曹道友.基于改进遗传算法的应用研究[D].合肥：安徽大学硕士学位论文.2010.