随机化均匀设计遗传算法.pdfVIP

高校应用数学学报 随机化均匀设计遗传算法 陈明华 周本达 任 哲 皖西学院数理系 安徽六安 合肥学院数理系 安徽合肥 摘 要 众所周知 遗传算法的运行机理及特点是具有定向制导的随机搜索技术 其 定向制导的原则是 导向以高适应度模式为祖先的家族方向 以此结论为基础 利 用随机化均匀设计的理论和方法 对遗传算法中的交叉操作进行了重新设计 给出了 一个新的算法 称之为随机化均匀设计遗传算法 最后将随机化均匀设计遗传算法 应用于求解函数优化问题 并与简单遗传算法和佳点集遗传算法进行比较 通过模拟 比较 可以看出新的算法不但提高了算法的速度和精度 而且避免了其它方法常有的 早期收敛现象 关键词 遗传算法 随机化均匀设计 随机化均匀设计遗传算法 中图分类号 文献标识码 文章编号 § 引 言 世纪年代 美国大学的 教授提出了模拟生物进化的仿生智能算 法 即遗传算法 其基本原理是模仿生物在进化过程中 通过选择淘 汰 基因突变和遗传等方式产生适应环境变化的优良个体 遗传算法以其简单易行性和可靠性 在组合优化问题 机器学习问题 图像处理与模式识别 通信网络设计等很多领域取得了广泛的 应用 遗传算法通过适当的编码方式把实际问题转化成生物种群的进化问题 经过多代的选择 变异 交叉操作最终得到可接受的问题的解 算法中选择 变异 交叉等操作直接关系遗传算 法的效率 一直是遗传算法的研究热点 文献根据算法初期需要采用较大的交叉 变异概率来 产生更多的新优秀个体 算法后期 则需采用较小的交叉 变异概率来保护优良模式 使算法尽 快收敛 提出了自适应遗传算法 由条件发生器来自适应调整交叉变异概率 提高算法的效率 文献为了改善遗传搜索性能 通过分析基因池遗传算法的无限种群动力系统 刻画了双峰函数 局部极值解的适值差与系统不动点之间的解析关系 提出了针对多模态优化问题的两阶段遗传 算法 文献则提出了一种结合模拟退火 最优个体迁移以及参数空间动态退化的混合遗传算 法 来加快算法的收敛和提高搜索全局最优值的能力 文献提出了量子遗传算法 在量子个体 上实施量子杂交 这一操作有利于保留相对较好的基因段 并且为了加快算法的收敛速度 还引 入了两阶段局部搜索 收稿日期 修回日期 基金项目 安徽省高校省级自然科学研究项目 安徽省教育厅自然科学研究项目 安 徽省高校青年教师资助计划项目 高校应用数学学报 第卷第期 文献指出遗传算法的本质是一个具有定向制导的随机搜索技术 其定向制导的原则是 导向以高适应度模式为祖先的家族方向 而在高适应度模式为祖先的家族 中寻找更高的适 应度模式主要靠交叉操作来实现 通常算法中的交叉操作 是按赌轮法随机取两个染色体进行单点交叉操作或多点交叉 其子孙必属于父辈模式中 所以算法中的交叉操作即在以高适应度模式为祖先的家族 中取 一点作为交叉后的后代 这种取法当然有其片面性 并不能保证取到的后代的适应度比母体的 高 由数论方法知 在高适应度模式空间中产生的均匀散布点集 它们的平均适应度能代表高适 应度模式空间的平均适应度 也就是说 这些点能很好的代表高适应度模式空间的其他点 即要 求此空间中的最优值 只要在这些点中找即可 故有研究者提出在以高适应度模式为祖先的家 族 中利用正交试验的方法求出几点来作为交叉后的后代 如用 等等 这是一个好主意 不过当因素的个数和等级增多时 不但试验的规模迅速增加