基于离散变量自适应遗传算法改进.pdfVIP

第31卷第12期 长春师范学院学报（自然科学版） 2012年12月 Vol.31 No.12 Dec.2012 基于离散变量自适应遗传算法的改进 吕秀芹 （江苏农林职业技术学院，江苏句容 212400） [摘 要]在自适应遗传算法中交叉算子和变异算子随着其适应度变化自动改变其值，从而影响遗传 进化的过程，但算法在进化初期对遗传操作的效果并不明显。本文针对离散变量的特征，通过计算 个体间的离散程度，判断种群的进化程度，根据不同的进化时期自适应调整交叉概率和变异概率， 使得种群的交叉和变异配合进行，有效地解决了离散变量在进化初期容易陷入局部寻优的问题。实 验结果表明，算法经改进后，其全局收敛的可靠性增加并加快了收敛的速度。 [关键词]自适应；遗传算法；离散变量；进化系数 [中图分类号]TP311文献标识码[ ]A 文章编号[ ]1008-178X（2012）12-0023-03 [1] 遗传算法 (GeneticAlgorithm，GA)是一种基于模拟自然界生物遗传演化规律的随机探索和优化算法 。 算法将问题对象进行编码，形成类似生物学上的染色体，通过对染色体的遗传进化，从而得到问题的优化 解。算法能有效地处理大量离散参数，在求解之初可以采取一些方法使得初始种群在解空间合理分散，并 且通过基因交叉和变异操作，增加了全局寻优的能力。遗传算法目前已广泛地应用于函数优化、组合优 化、 自动控制、图像处理、生产调度等多个行业。 [2] 算法的基本运算过程 为：将问题对象以二进制或实数等形式进行编码，把问题的单个可行解看成是 一个符号串，从而形成类似生物学上的染色体或个体。然后随机生成M个个体作为初始群体P (0)，用已设 计好的适应度函数计算当前群体中每个染色体的适应度值，系统根据问题域中个体的适应度大小选择新的 染色体，使用选择算子将适应度高的染色体选择进入下一代，然后再利用这些已选择的染色体进行交叉、 变异等操作，产生出代表新的解集的群体P (t)。上述生成新群体P (t)的过程不断重复，直到找到问题的解满 足用户的要求为止。由于交叉、变异后产生的新种群与其父种群相比，更能适应于环境，当算法结束后， 将末代种群中包含的最优个体进行解码即可得到问题的较优解。 遗传算法通过计算比较个体染色体的适应度与群体平均适应度决定该个体进化或淘汰，但进化到了后 期，算法搜索到最优解附近时，要确定最优解要花费大量时间，甚至无法精确定位最优解的位置，且算法 容易出现 “早熟”。针对算法的这些缺点，有不少学者在遗传算子的改进方面做了不少研究并取得了丰硕 的成果，引入了自适应策略改善遗传的性能。 1 自适应遗传算法 遗传算法中遗传算子影响进化的进行，其中交叉概率Pc 和变异概率Pm 对种群的优化起着决定性的作 用。交叉概率和变异概率大，则新个体产生的速度快，有利于保持种群的多样性，但过大又会使优选出的 个体被坏，不利于选择算子的作用。交叉概率和变异概率过小，容易产生局部收敛，算法出现早熟。遗传 算法按照优胜劣汰的规则,将适应度较高的个体更多地遗传到下一代，算法使得种群后期的适应度要高于 初期的适应度。Srinvivas等提出根据种群进化程度自适应遗传算法的策略，即算法根据种群的适应度动态 调整交叉概率Pc 和变异概率Pm ，具体见公式1和公式2。算法的基本思想是：对于适应度高于群体平均适 应度的个体，取较小的交叉概率Pc 和变异概率Pm ，使得该解得以保护进入下一代；对于适应度低于群体 [收稿日期]2012-10-15 [作者简介]吕秀芹（1976-），女 ，江苏高邮人 ，江苏农林职业技术学院讲师，从事计算机图形与图像研究。 · ·