基于分级策略的演化算法.docVIP

基于分级策略的演化算法 　　摘要：为了避免演化算法过早收敛，保持种群多样性，增加算法的搜索能力，本文提出基于分级策略的演化算法.即通过对种群进行分级，来度量种群的多样性，衡量算法是否陷入局部最优，协调种群多样性和精英策略之间的矛盾，再根据种群分布的多样性设计一种有效的半一致交叉算子与单重均匀变异算子. 　　关键词：分级策略；种群多样性；精英策略；演化算法 　　中图分类号：024 文献标识码：A 　　1引言 　　演化算法是一类基于群智能的随机优化算法[1]，适用于求解大量非线性、不可微和多峰值的复杂优化问题.由于算法程序实现起来异常简洁、需要调整的参数也少，因而已应用于多个学科和工程领域[2][3].但演化算法与其他全局优化算法一样存在着早熟收敛现象，尤其是在比较复杂的多峰搜索问题中.目前国内外学者已经提出了多种改进算法来克服粒子群算法的早熟收敛问题[4]. 　　本文提出一种基于分级策略的种群多样性度量方法，衡量算法是否陷入局部最优，协调种群多样性和精英策略之间的矛盾，从而避免演化算法过早收敛.同时设计一种有效的半一致交叉算子与单重均匀变异算子，增加了算法的搜索能力.仿真的实验结果表明所提出的基于分级策略的演化算法能有效地求解优化问题. 　　2基于分级策略的粒子群优化算法 　　演化算法求解的种群多样性研究算法常常会受到多样性问题的困扰而陷入早期收敛，其结果是算法陷入局部最优.因此，为保证演化算法的全局收敛性就必须维持种群的多样性，它是提高算法的关键，是种群演化的动力. 　　2.1种群分级 　　演化过程中，在全局最优位置的吸引下，所有粒子不可避免地会出现聚集现象.因此本文根据种群个体的位置，对种群进行分级. 　　2.2种群多样性的评估 　　若S是H上的一个划分，利用S将种群P= 划分为m个等级.若P中第k等级的个体数为 ，则称 为种群在划分S下的对种群多样性的度量.演化过程中，随着迭代次数的增加，所有个体会向某一级别圆环区域靠拢，即出现聚集现象，算法陷入局部最优.当种群个体全部处于同一级别时，达到其最小值0.当种群中所有粒子的平均位于不同的区间时，种群多样性最丰富，达到最大值.可见，其值随着种群多样性的增加而增加. 　　2.3 精英保留策略 　　精英策略是对每代中一定数量的最优个体，使之直接进入下一代.这样可以防止优秀个体由于复制、杂交或变异中的偶然因素而被破坏掉.这是增强算法稳定性和收敛性的有效方法[5].精英选取数量一直是一个很难解决的问题.如果选取过大，种群多样性会受到影响.选取过小又没有什么效果.大部分的精英策略都是通过选定一个恒量来执行，所以它就无法根据群体的多样性做出变化，进而导致它无法很好控制算法的收敛和复杂性.如何将精英取值与种群多样性结合起来是当前急需解决的问题[6]. 　　2.5 单重均匀变异算子 　　常用变异算子按变异方式的不同又分为单重均匀变异算子、单重边界变异算子、单重高斯变异算子[6].以上变异都是在单个变量上进行的，当变异操作是对每个变量独立地按上述方式进行时，就得到了多重变异操作.因此，相应地有多重均匀变异、多重边界变异和多重高斯变异算子等. 　　均匀变异和高斯变异要优于边界变异，因为最优值取边界的概率比较小.变异算子的主要作用就是在种群进化的后期在一定程度上帮助种群跳出局部最优解，而高斯变异算子使变异值更多停留在原值附近.并且因为它需要计算扰动 ，所以它的计算量比较大.综上所述，本文采取单重均匀变异算子：按均匀分布随机选择一个变量 ，并将它变异为取值空间 中的均匀随机数r ： 　　变异能改善遗传算法的局部搜索性能，变异率设置不当，有可能破坏优良个体或使算法最终收敛到局部最优.在进化初期，个体的差异较大，种群能不断产生新的更优良的个体，种群的平均适应度迅速提高，最优个体向着最（次）优解附近靠拢，此时变异概率很小.到了进化后期，由于种群个体间的差异变小，交叉难以产生新的个体，如果陷入局部最优，很难跳出来，这也是遗传算法常出现不成熟收敛及收敛速度慢的主要原因，可通过加大变异率，使进化跳出局部最优状态，并在局部最优点附近进行更有效的搜索.同样我们也可根据种群熵来判断变异率的取值，因为在种群演化的前大半段变异率比较小，但到了后半段特别是接近最（次）优解附近需要比较大. 　　4 结论 　　针对演化算法容易陷入局部最优的不足，本文提出一种基于分级策略的演化算法.数值实验证实了新方法的可行性、有效性和通用性，其性能优于现有的一些演化算法. 　　参考文献 　　[1]Eberhart R， Shi Y. Comparing inertia weights andconstriction Factor in particle swarm optimization[C]