基于进化遗传算法的优化计算.pdfVIP

第9卷第11期 软　件　学　报 V o l. 9, N o. 11 1998年11月 JOU RNAL O F SO FTWA R E N ov. 1998 基于进化遗传算法的优化计算 陈　明 (石油大学计算机科学与技术系　北京　102200) 摘要　针对经典遗传算法在优化计算中存在的弊端, 提出进化遗传算法. 在染色体基因位编码方式、交叉 与变异算子、适合度函数设计、候选解染色体选取方式及收敛准则等方面做了改进. 通过对极难优化的 Shekel 类函数等的优化计算, 说明该算法具有良好的全局搜索能力和较快的收敛速度. 关 键 词　遗传算法, Shekel 类函数, 优化计算, 进化策略, 收敛准则. 中图法分类号　 18 T P 遗传算法(Genetic A lgo rithm ) [1 ] 是近几年发展起来的一种随机全局优化算法. 它是基于达尔文生物进化论的自 然选择学说和群体遗传学原理而建立的. 在工程科学中存在很多困难的组合优化问题, 这些问题大都是非线性的、甚至是不可微的, 常规的优化技术无法 有效地求解, 只能对问题进行简化近似处理. 遗传算法对求解问题只要求是可计算的, 无可微性及其他要求, 且较易获 得全局最优解. [2 ] 1　经典遗传算法 　　遗传算法是一个多点并行的迭代过程, 在每次迭代中都进行如下操作: 将一组以一定的基因形式描述的候选解进 行交叉和变异操作以及适应环境能力的评价; 选取参与产生后代的候选解. 重复此过程, 直至满足某种收敛准则而得 到全局最优解. 对于求函数 F 的极小值问题, 其目标函数为 = ( ) , 　　 = ( , ,. . . , ,. . . , ) T , 　　 ∈ , 　 ∈ , 　 = [ , ], m inF F X X x 1 x 2 x i x n X x i D i D i a i bi 其中 为自变量的定义域, F 为目标函数值, 与解的优劣程度相关. 1. 1　适合度函数 为使各候选解在定义域内的适合度函数值始终为正, 并且目标函数值越小, 则适合度函数值越大, 可将适合度函 数定义为 ( ) = - ( ) , 为正常数. eval X C F X C 进而优化问题作为求 ( ). m ax eval X 1. 2　染色体 以一定长度的二进制数字串表示为染色体的一个候选解. 染色体的长度与自变量的个数、自变量的取值范围及求 解精度有关. ( ) g i m i 若x i 优化求解精度为小数点后 g i 位, 则其二进制编码长度为 bi - a i ×10 2 - 1, 其中m i 为满足上述不等式 的最小正整数. 的二进制编码〈 〉满足 x i x i 2 x i - a i m