一种遗传算法适应度函数的改进方案..docVIP

吉 林 农 业 大 学 论 文 题目名称： 学生姓名： 院 系： 2014年 11 月 27日 一种遗传算法适应度函数的改进方案 朱龙图 吉林农业大学学院，长春130118摘要：关键词：　A　　 文章编号： DOI : An Improved Method to Fitness Function of the Genetic Algorithms ZHU Long-tu College of Information, Jilin Agricultural University，Changchun 130118，China Abstract: Standard genetic algorithm is not efficient since it is easy to fall into local optimal solution．To improve the efficiency of genetic algorithm，this paper proposes a new fitness function which based on index transformation. The index coefficient in it can adapt to evolutionary process of algorithm. Calculating with the proposed fitness function, linear scaling transformation fitness function of Goldberg and general index transformation fitness function respectively, numerical experiment has shown that the proposed fitness function can greatly improve the accuracy of optimization algorithms, the convergence speed and the probability of convergence. Key words: genetic algorithm; fitness function; index transformation; the convergence speed  遗传算法最早由美国的Holland教授提出，是借鉴生物界自然选择和进化机制发展起来的全局的概率搜索算法，其起源于对自然和人工自适应系统的研究[1]。遗传算法依靠选择操作模拟自然界中的“适者生存，优胜劣汰”这一过程，即选择操作来引导算法的搜索方向，而选择操作是以个体的适应度作为确定性指标，从当前群体中选择适应值高的个体以生成交配池。如此必然造成群体中基因信息的丢失，使群体中个体平均相似度增加，最终造成遗传算法早熟。文献［2］研究表明优化参数配置不当，遗传算法可能会出现不收敛的情况。为使遗传算法运用于工程结构优化领域，诸多学者对遗传算法做出不少改进[3-5]。大多数改进思想都是对遗传算法中的适应度函数、交叉概率和变异概率等方面进行改进，尤其以文献［5］中提出的自适应遗传算法为代表，其思想就是建立在个体适应度基础之上。此外，遗传算法本身是以激励机制——适应度函数为基础，故对适应度函数的改进应该是最基本的、最有效的改进方式。 因此，本文提出了一种基于指数变换、指数系数随进化代数增加而逐渐增加的动态变化的适应度函数。 1 适应度函数分析及其改进 遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值来进行搜索，即使用个体的适应度值对解的质量进行评价，适应值越高，解的质量就越好，该个体被选择的概率就越大。因此适应度函数的选取至关重要，直接影响到遗传算法的收敛速度以及能否找到最优解。一般，适应度函数可通过对目标函数值域的进行某种映射变换即适应度的尺度变换得到。 在遗传进化的初期，通常会产生一些超常的个体，若按比例选择法，这些异常个体因竞争力太突出而控制了选择过程，可导致未成熟收敛，影响算法的全局优化性能；此外，在进化过程中，会出现群体的平均适应度已接近最佳个体适应度，使个体间的竞争力减弱，从而使目标的优化过程趋于无目标的随机漫游过程。为了避免第一种情况的发生，就需要避免某一个个体适应度过大；对于随机漫