一种高效的改进遗传算法.docVIP

一种高效的改进遗传算法 　　摘 要 在应用遗传算法解决优化问题时，常常发生过早收敛现象，从而影响算法的优化性能。为了解决这一问题，分析了产生此类问题的原因，并针对其主要原因对经典遗传算法的选择、交叉算子做了改进，使得改进后的算法可以有效保持种群多样性，从而提高了算法的稳定性和准确性；最后通过与经典算法的对比实验，证实了改进算法的有效性。 　　关键词 遗传算法；交叉算子；选择算子 　　中图分类号O29 文献标识码A 文章编号 1674-6708（2013）95-0127-02 　　0 引言 　　遗传算法（Genetic Algorithm）为基于生物基因呈现的进化发展规律特征而应用的搜索方法。它的概念是由Bagley J.D在1967年提出的，而系统性研究是由美国的J.Holland教授1975年所实行。遗传算法通过模拟处理，将相关问题形成类似生物进化发展的阶段，并利用复制、过程、突变以及交叉操作得到相关结果。令适应度函数量有限的求解剔除出去，并扩充进适应度函数总量较高的求解数值，通过该类进化过程发展至n代以后，便会进化形成适应度函数量值高水平的优质个体。 　　遗传算法应用将可以应对解决问题的所有方法作为对象，其进化规律之中包括三类遗传算子。即选择、变异以及交叉算子。通过这些算子持续进化产生新的方法，最后收敛求出最优方法。 　　其中选择算子可对各类应对处理问题的实践方式作出比选，优选获胜个体，并将质量低劣的个体进行剔除。在一些应用场景，还可将其称作再生算子。 　　遗传算法中的选择算子基于创建个体适应性评估为根本，被选择的机率同适应值成正比，即适应值高的个体选择机率越大，从而尽可能的保留优化方法，淘汰劣等方法。当前，普遍应用的选择算子包括以下几类，即适应度比例手段、随机进行遍历抽样以及局部优选方式。 　　交叉算子通过基于相应的百分比例，就两个以及大于两个个体之中一部分同样方位结构展开重组，进而形成新的操作方式。其在遗传算法应用之中起到重要核心作用，也是遗传算法的主体特征。经过交叉，大大提升了该算法评估搜索的综合效能。 　　变异算子即应用变异运算，基于相应的比率范畴，就不同个体编码串中的某些基因值进行改变，从而得到新的个体。变异算子具有局部搜索能力，在遗传算法中作为辅助算子，决定了遗传算法的局部搜索能力，有利于保持种群的多样性。通过交叉和变异的操作，使得遗传算法具备全面均衡高效的汇集分析与搜索功能。 　　1 经典模式遗传算法存在的缺陷 　　以往应用的经典模式遗传算法通过参照种群内不同个体呈现的适应度高低进行优选，并参与下一代竞争，来模拟自然界中优胜劣汰的竞争生存模式。个体的适应度越大，被选中的概率就越大。在进化初期，种群中最优个体的适应度会迅速增加，形成超级个体。由于超级个体的适应度远远大于种群中个体适应度的平均值，因而其被选中的概率变得非常大。经过若干代进化后，种群中的个体几乎全部是超级个体的后代，他们的染色体相似度非常高，使得优化过程变成了近亲繁殖，这导致交叉和变异等遗传算子几乎无法产生代表新模式的个体，造成种群多样性的急剧降低，而种群多样性是遗传算法保持持续进化能力的关键。因而经典遗传算法缺乏持续优化能力，在优化搜索过程中，算法常常会收敛到一个局部最优点。 　　2 对遗传算法的改进 　　为了提高算法的优化搜索能力，针对经典遗传算法的上述缺点，对算法的选择算子、交叉算子、变异算子做了改进，同时调整了算法的基本步骤。 　　2.1 对选择算子的改进 　　首先，为算法增加保优策略，即父代中的最优个体取代子代中的最差个体直接进入下一代种群。 　　经典遗传算法中后期会呈现出搜索功能不良下降的问题。引发主要成因为：种群呈现出的多样性显著下降，为预防该类不良状况的持续蔓延，对经典的比例选择算子做了改进，得到一种改进的比例选择算子---保优附加选择算子（Elitist Preserved Add Selection EPAS）。在进行算子操作时，如果选中的个体与最优个体之间的相似度S小于或等于δ时，随机生成一个个体来取代选出的个体，进入下一代种群；当S大于δ时，使选中的个体进入下一代种群。这种选择方式可以有效保证种群的多样性和种群中个体的差异性，但由于仅使用少量个体来保留优秀基因，有可能会造成优秀基因的丢失。为此需要对算法的交叉算子进行改进。 　　2.2 对交叉算子的改进 　　为了配合EPAS算子，有效保留优秀基因段，防止优秀基因丢失现象的发生，提出了一种改进的交叉算子---King Crossover KC，在KC算子中，每个参与基因重组的个体，只能与最优个体（king）进行交叉操作。改进后的算子使得最优个体参与交叉操作的概率大大增加，从而使得优秀基因所代表的良好模式，得以保留，降低了优秀基因丢