遗传算法改进.pdfVIP

遗传算法的改进 王晶 北京工业大学应用数理学院（100022 ） E-mail ：wangjing820617@ 摘 要: 标准的遗传算法对种群的进化实施统一的交叉变异操作。本文引入了生物进化过程 中的渐变与突变机制，提出按适应度大小将种群分为适应度高的渐变种群和适应度低的突变 种群的方法，对不同种群采用不同交叉变异算子，使得种群的进化能达到全局最优解而不陷 入局部极值；同时改进的子代种群生成的方法保证了每代种群的多样性。数值实验表明改进 的遗传算法可以减少种群进化的代数，提高算法的效率，保证了算法的全局收敛性。 关键词：标准遗传算法(SGA) ，渐变种群，突变种群 中图分类号: TP183 文献标识码: A 1. 引 言 遗传算法最初是由美国的J.Holland教授于1975年在他的专著《自然界和人工系统的适 [1] 应性》 中提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。遗传 算法通过模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因变异的现象[2]，在每次迭 代中都保留一组候选解，并按一定的指标从种群中选取较优的个体，并利用遗传算子[3] （选 择、交叉和变异）对这些个体进行组合，产生新一代的候选种群，重复此过程，直到满足某 种收敛指标为止。遗传算法由于其操作简单，目前已在复杂函数优化、生产调度、图像识别、 机器学习等众多领域都获得了成功的应用。然而标准的遗传算法又有很多弊端：如部分个体 过分早熟使种群陷入局部极值点；局部搜索能力差；若干步迭代之后由于种群过分相似而降 低了交叉算子的效率；降低了收敛的速度等。 本文针对标准遗传算法[6]中存在的一些缺点提出了采用模拟自然界进化过程中同时 存在渐变和突变的机制，将种群按适应度的高低分为适应度高的渐变种群和适应度低的突变 种群，对于渐变种群其可能已经接近局部最优解，因此我们控制交叉和变异算子使个体做较 小改变，加强局部搜索，以保证目标函数在局部达到最优值；而对于突变种群的交叉变异算 子使个体进行较大的改变，不断引入新的优秀个体，保证种群的多样性，从而避免个别个体 早熟使算法陷入局部极值而收敛不到全局最优值。 2. 改进的遗传算法 标准的遗传算法应有如下几部分组成：（1）编码（产生初始种群）（2 ）适应度函数（3 ） 遗传算子（选择、交叉、变异）（4 ）运行参数。以下分别介绍本文对标准遗传算法各部分的 改进。 1. 编码与初始种群的产生：常用的遗传算法采用的是二进制编码，由于二进制编码具有容 易进行交叉变异操作的特点，编码的原则是二进制码通过解码函数解码后能与实值的取 值范围相对应。初始种群的构造就是利用随机数发生器随机地产生一系列方案，然后以 此为基础进行迭代。 -1- 2. 选择算子：遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰的操作，适应度 高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的 概率小。选择操作的任务就是按某种方法从父代种群中选取一些个体，遗传到下一代群 体。 标准遗传算法中选择算子采用轮盘赌选择方法，个体适应度越大，其被选中的概率 n 就越高，反之亦然。按 （F 为第i个个体的适应度）计算出群体中各个个 P F F / ∑ i i i i i 1 体选择概率后，就可以决定那些个体被选出。但是，由于该方法是基于概率的选择，存 在统计误差。同时在种群进化过