三种遗传算法的改进方法与研究_陈郁.pdfVIP

两化融合 special focus 本期关注 三种遗传算法的改进方法与研究 陈郁 / 济宁医学院医学信息工程学院 摘 要：遗传算法是一种基于自然选择和生物进化机制的智能优化算法，由于它具有非常多的优点，所以被广泛应用于 各个领域。但是基本的遗传算法（简称GA）也存在着许多的缺点和不足：适用范围没有非常广；遗传算法很容易出现 “早熟”收敛，搜索性能不高；遗传算法的时间复杂度往往比较高，而搜索的效率却比较低。本文针对基本遗传算法 的陷入局部最优和早熟收敛的缺点，对基本遗传算法提出了三种改进方法：既顺序选择遗传算法、大变异遗传算法和 双切点交叉遗传算法，并通过仿真实验验证了这些改进。 关键词：遗传算法；局部最优；早熟收敛 传算法（Genetic Algorithm，GA ）起源于对 （2） 遗生物系统所进行的计算机模拟研究，是模 这样每个个体都有可能被选中从而产生后代。 拟生物界 “物竟天择、适者生存 ”的进化 规律而开发出来的一种随机化搜索方法。它是由美国的 算法步骤如图1所示： J.Holland教授在1975年首先提出的，其特点是几乎不需要 所求问题的任何信息，仅需目标函数的信息，而且不受搜 索空间是否连续或可微的限制就可找到最优解，且具有良 好的隐并行性和全局搜索能力[1-2] 。遗传算法通过模拟自 然选择的繁殖、交叉和变异操作来寻找更具优良品质的个 体，用适应度函数来评价个体的优劣性，遵循优胜劣汰的 原则，找到适应度最高的个体，并且在搜索中不断增加优 良个体的数目，使种群的数目不断增加，相应的种群的整 体适应度也在不断提高，循环往复，直到我们找到具有最 高适应值的那个个体。由于遗传算法的优良性质而被广泛 应用于函数优化、组合优化、机器学习、数据挖掘、图像 处理和人工智能等很多领域。但是在处理一些非线性、多 模型和多目标的函数优化问题时，基本的遗传算法局部搜 索能力弱且容易出现早熟的现象，最后求出的解往往是局 部最优解而不是全局最优解[3-5] 。 本文针对基本遗传算法陷入局部最优和早熟收敛的缺 点，提出了三种遗传算法的改进，并具体分析了改进的遗 传算法，通过仿真实验验证了这些改进。 1 三种改进的遗传算法 1.1 顺序选择遗传算法（SBOGA ） 图1 顺序选择遗传算法流程图 基本遗传算法中个体的选择概率与个体的适应值直接 1.2 大变异遗传算法（GMGA ） 相关，其计算公式为： 理论上，遗传算法中的变异操作可以使算法避免 “早 熟”。但是，为了保证算法的稳定性，变异操作的变异概 （1） 率通常取值很小，所以算法一旦出现 “早熟”，单靠传统 的变异操作需要很多代才能变异出一个不同于其他个体的 一旦某个个体的适应值为0 ，则其选择概率为0 ，这 新个体。大变异操作的思路是：当某代中所有个体集中在 个个体就不能产生后代，这是基本遗传算法的一个很大 一起时，我们以一个远大于通常的变异概率执行一次变异 的缺点。顺序选择策略将选择概率固定化，其具体步骤 操作，具有大变异概率的变异操作（即 “大变异操作”） 为： 能够随机、独立地产生许多新个体，从而使整个种群脱离 （1）按适应值大小对个体进行排序； “早熟”。算法步骤如图2所示。 （2）定义最好的个体的选择概率q，则排序后的第j 个 1.3 双切点交叉遗传算法（DblGEGA ） 个体的选择概率为： 单点交叉遗传使得父代双方交换基因量较大，有时候 ◆