适应性精英种群策略的遗传算法用于多模函数优化课件.pptVIP

摘要 引入了一种新技术,适应性精英种群搜索方法。此方法适应性地调整种群大小，根据个体的不相似性和新型的依赖方向的精英遗传算子，提出了一个适应性精英种群遗传算法（AEGA） 1.介绍 现实中的许多问题需要优化算法能够搜索多个最优解。近年来已经提出了各种种群多样性改进机制，使得GA通过搜索保持了种群的多样性，允许GA识别多模函数的多个最优解，但并没有说明算法对于效率的改进。多模GA的效率必须平衡两方面的矛盾： 1.介绍 精英搜索vs.多样性保持：精英策略在GA中被广泛采用，用于改善全局最优搜索能力，但精英策略关注某些“最优”个体，而减少了种群多样性，而GA又需要保持种群多样性来发现多个最优解。如何平衡精英搜索和多样性保持对于构建有效率的多模GA是很重要的。 算法有效性vs.冗余种群：许多 GA使用大规模种群来提高获得全局和多个最优解的几率。但大种群将明显增加算法计算的复杂性，并产生很多多余个体，降低了GA的效率。 2.新的适应性精英种群搜索技术 （1）个体的相对方向 对于高维的多模函数最大化问题，定义两个个体Pi和Pj的相对上升方向，为了方便定义，通过交叉产生的后代个体Ci和Cj作为参考点，通过比较父代和子代的适应度值，定义两个个体的相对方向。个体Pi相对于Pj的方向定义为： 如果f(Ci)-f(Pi)0，Pi的相对上升方向是移向Pj； 如果f(Ci)-f(Pi)=0，Pi的相对上