一种提高局部搜索能力的混合遗传算法.pdfVIP

第35 卷 第2 期 电 子 科 技 大 学 学 报 Vol.35 No.2 2006 年4 月 Journal of UEST of China Apr. 2006 一种提高局部搜索能力的混合遗传算法 田延硕 ，刘晓云 ( 电子科技大学自动化工程学院 成都 610054) 【摘要】针对遗传算法局部搜索能力弱的缺陷，提出了一种改进的混合遗传算法。根据遗传的不同阶段分为两个不同的 群体——竞争群体和适应性群体，提出相关的遗传算子——繁殖因子。将运筹学中的单纯形法应用于遗传算法中，增强了遗传 算法的局部搜索能力。对复杂函数的寻优实验验证了混合遗传算法的有效性，并通过与传统SGA的实算结果对比，更进一步 说明了算法的改进效果。 关 键 词 遗传算法; 竞争群体; 适应性群体; 繁殖因子; 单纯形算法; 混合遗传算法 中图分类号 TP18 文献标识码 A A Mixed Genetic Algorithm of Improve Local Search Ability TIAN Yan-shuo，LIU Xiao-yun (School of Automation Engineering., UEST of China Chengdu 610054) Abstract There are some limitations that using genetic algorithms. This paper presents the Mixed Genetic Algorithm(MGA). Based on the phase of genetic ，the colonies are differentiated to two different colonies-adaptive population and competing population. The correlated operator, propagate gene, is brought forward. The local search ability of the genetic algorithm is enhenced by using the simplex algorithm of operational research. The emulation experiment data shows the optimizing convergence reliability and higher converging velocity. Key words genetic algorithm; adaptive population; competing population; propagate gene; simplex algorithm; mixed genetic algorithm 遗传算法是模拟自然界生物群体进化过程中的一种随机优化方法，具有不依赖于问题模型的特性，寻 优过程的自适应性，隐含的并行性以及解决复杂非线性问题的鲁棒性等优点，在许多复杂优化问题和优化 设计的应用中都找到了令人满意的解。文献[1-4]对标准遗传算法的基本原理、算法流程作了详细的介绍， 同时大量研究了共4方面的缺陷[1-4] ：(1) 全局搜索能力极强而局部寻优能力较差。(2) 对搜索空间变化的适 应能力差。(3) 易出现早熟收敛现象。(4) 算法在交叉、变异的进化过程中随机性较强，致使搜索效率低下。 这些缺陷产生的主要原因在于：(1) 交叉和变异操作，既可能产生优于父代的个体，又可能产生劣于父代的 个体，尽管选择操作保证了群体向适应度大的方向演化，但到了后期，这种随机性降低了在优良解附近进 行有效搜