两种改进的遗传算法（自适应交叉概率的遗传算法，加入领域竞争策略的遗传算法）相比较的matlab程序，基于UCI的两个数据集，可直接运行程序观察效果。-both improved genetic algorithm (adaptive crossover probability of genetic algorithm, to field a competitive strategy of genetic algorithm) compared to the Matlab procedures,

遗传算法(Genetic Algorithm，简称GA)是20世纪70年代由Holland提出的一种模仿生物进化过程的有效的优化方法，能根据已有的知识积累，按照概率寻优机制进行全局搜索未知空间，而且还可以根据问题的不同进行变通，所以得到了广泛的应用。但是，传统遗传算法存在着早熟收敛和收敛速度慢的缺点，这是由算法的两个主要因素“选择压力和“种群多样性”造成的。所以国内外的学者们通过各种改进研究来平衡它们之间的矛盾，虽然各种改进的遗传算法取得了一定的成就，但多是局限在某一个方面，没有从总体上进行把

多目标参数调整在提高认知无线电（CR）系统的性能中起着重要作用。 当前的研究集中在遗传算法（GA）上，以实现CR中的参数优化，而通用GA总是处于过早收敛的状态。 此后，本文提出了对个体染色体适应度的线性尺度变换，它可以减少早期进化迭代中退出的非凡个体的影响，并确保后期进化迭代中个体之间的竞争。 本文还将自适应交叉和变异概率算法引入参数调整中，可以保证种群的多样性和收敛性。 CR的参数调整有两种应用，一种偏爱误码率，另一种偏爱带宽。 仿真结果表明，改进后的参数调整算法可以快速收敛到全局最优解，而不