一种新的遗传算法及其在动态环境中的应用.pdfVIP

一种新的遗传算法及其在动态环境中的应用1 王洪峰，汪定伟，刘黎黎 东北大学信息科学与工程学院系统工程研究所，沈阳（110004 ） E-mail ：hfwang@ 摘 要：本文提出了一种改进的原对偶遗传算法（Primal-Dual Genetic Algorithm ），与原始 的算法相比，利用染色体每个基因位点上位值分布的统计信息来改进原对偶映射的效果。通 过实验能够证明改进后的PDGA 在动态环境中的性能得到了进一步的改善。 关键词：动态优化，原对偶映射，遗传算法 1 引言 现实世界中的许多优化问题都是非静态的，它们会因为目标函数、环境参数或者约束条 件的变化而随时产生变化。例如在生产调度问题中，新的工件可能会随时到达，机器可能会 发生故障或者减慢速度，原材料的质量也可能发生变化等等。这就需要算法能够跟踪极值点 在搜索空间中的变化轨迹。传统遗传算法的目标是使种群逐渐收敛于一个满意解，也就是说 到了进化后期种群会失去其多样性，而多样性恰恰是种群能够有效地探索整个可行空间的必 要条件。这就是一般遗传算法（SGA）在动态环境中所面临的主要挑战。 近些年来，越来越多研究者开始关注 GA 在动态优化问题中的应用，很多改进策略被提 出并取得了很好的效果。比如在GA 中引入过度变异策略[1] （hyper-mutation scheme ），随机 移民策略[2] （random immigration scheme ），基于记忆的策略[3] （memory-based methods ），多 种群方法[4] （multi-population approaches ）等等。 Yang 的原对偶遗传算法[5] （Primal-Dual Genetic Algorithm ，PDGA ）就是一种解决动 态优化问题的方法，被证明在一些动态离散（特别是 0-1 编码空间）函数的优化问题中能够 取得很好的效果。与 SGA 相比，PDGA 中被加入一种新的遗传算子—PD 映射（Primal-Dual Mapping ），在进行常规的交叉变异运算之后，选择一部分染色体进行PD 映射，这种新的遗 传算子体现了一种自然界中普遍存在的互补机能，比如 DNA 的双重结构，有助于保持种群 的多样性。然而在原始PDGA 中，PD 映射被设计为染色体基因型空间最大距离，在某些时 候，这种“过于强烈” 的映射方法通常会失效，除了浪费计算资源之外，并不能帮助改善算法 性能。因此本文提出了一种基于统计的适应性的映射方法，以进一步改善 PDGA 的性能。 接下来，论文的第二章提出了一种利用统计信息的映射方案；第三章介绍一组用于算法 性能测试的动态优化函数；实验结果以及算法的性能比较和分析在第四章中给出；最后是整 个工作的结论。 2 改进的 PD 映射方法 在 Yang 的PDGA 中，在进行PD 映射时染色体的每一位都要参加运算，在这样的映射 方法中，一对原对偶染色体的基因型是截然相反的，而且为了保证算法的性能，只有有效的 映射才能起作用。然而在某些时候，比如种群进化的后期，种群中几乎所有的原染色体都分 布在高性能（适值较大）的区域，而它们的对偶染色体往往适值较低，这样此时几乎所有的 1本课题得到国家自然科学基金重点项目），创新群体项目），国家支撑计划项目 （2006BAH02A09 ）的资助。 - 1 - PD 映射都失效了。而无效的 PD 映射除了浪费计算资源之外，既不能帮助种群获得更好的 解，也不能帮助丰富种群的多样性（后者对于解决动态优化问题更为重要）。另外，即使是 环境发生一定的变化，但如果变化强度很小，这种过于“强烈” 的PD 映射也不会明显改善算 法的性能。因此，本文提出了一种新的 PD 映射方法，考虑并不让染色体的每一位都同时参 加运算，而是根据一定的概率来决定是否进行运算，下文将讨论一种利用染色体各基因位点 取值的统计信息来计算该位