基于改进遗传算法的电极优化设计研究.pdfVIP

制研曹岳东 _ C沈阳工业大学】I0083沈阳歌业技术学院il0045) [摘要]针对遗传算法的缺陷和不足．提＆7一种改进的遗传算法。对于优秀十体丢失的问题．采用 T“优秀个体选择策略”，将父代中的优秀个体无条件的赋路子代之中，增加T优秀个体魅续事加遗传的 函数进行观察研究，通过观禀种群的“秩”与遗传代数、神群规模的关系，比较直观地判断＆种群是否早 熟t髂后，在不同情况下相应地对交又、变异或者种群进行处理．使它们更加趋干告理，避免早熟现泉的 发生。通过改进遗传算法在具体蔷数优化和电授优化设计中的应用，可以看出此算法很好地处理T早熟的 问题-增加7种群的多样性。防止陷^早熟的陷阱，t明7对遗传算法的改进是显和有教的。 [关键词]遗传算法 电极优化 髓着经薪的快速发展，产品的优化设计日益显现出它的重要地位，而优化算法作为一种得力的工具， 也被频繁地引^了产品的优化设计中。特别是遗传优化算法(Genetic 搜索，不需要目标函数的导数、概率转移准则等优点，被广泛地应用在计算机科学、工程技术和社会科学 等领域n然而·在实际应用中．遗传算法仍存在一些问题．诸如早熟、收敛速度慢筹问题早熟、收敛速 度慢等。近年来，人们在对遗传算法进行深^研究的基础上，提出了一些改进的遗传算法，使遗传算法的 性能得到了不同程度的提升。在此，本文提出一种改进的遗传算法，并通过电极优化的实例来验证它的简 单和有效性。 1．概述 H 遗传算法最早是由美国密歇根大学的John 搜索技术t将种群代表一组问题解，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而产生 新一代的种群·并逐步使种群进化到包古近似最优解的状态，园此，遗传算法是一种借鉴生物界自然选择 和进化机制发展起来的高度并行、随机、自适应擅索算法“。]。 2．遗传算法的改进 近年来，人们采取了许多措施对遗传算法加以改进，归纳起来主要是改进编码、改进基因操作、改进 遗传算法的参数、改进执行策略等“。在此，针对遗传算法的缺陷和不足，我们在研究中也对其做了适当 的改进，构建了一个改进了的遗传算法的操作过程，即：针对优秀个体丢失的问题，采用了“优秀个体选 择策略”，将父代中的优秀个体无条件的赋给子代之中，增加了优秀个体继续参加遗传的几率。引^一个 究，通过观察种群的“秩”与遗传代数、种群规模的关系，比较直观地判断出种群是否早熟；然后，在不 同情况下相应地对交叉、变异或者种群进行处理，使它们更加趋于台理．避免早熟现象的发生。 2】 遗传算法早熟判定及参数处理 遗传算珐在造代过程中，种群的秩是不断变化的，并且总体上逐渐碱小，但要判断函数是否早熟，仅 仅观察秩的变化是不够的。因此，我们；I^一个新的函数judje，作为早熟的判定依据，即： Judge--种群的秩*遗传代数／种群个体目散 (1) 邓 可以看出，上式既兼展了种群的秩又兼履了遗传代数．比轻直观．合理地显示出了秩随遗传代散的增 加而变化的趋势。通过观察每一代中judge值，就可以判断函数是否早熟．然后，有针对性地肘种群进行 处理．Judge值越小，面敷崩越容易提前收敛势局部最优．这时．在种群的处理上就要保留适应度值高于 平均适应度的个体，将适应度值低于平均适应度的个体淘汰掉．重新生成适应度值大于平均适应度的新个 体．从而产生新的更好的种群。如果Judge较大．则越窖易收敛到全局最优．此时，种群一般不会发生提 前收敛现象．可以不用对种群进行址理，让其自己正常选代．当Judge的值在(a，b)区域，且趋近a或 b时．比较难翔断是否收敛．这时，在种群处理时就应适当调整交夏概率Pc和变异概亭Pm．以增加种群 的多样性．但调整后的Pc’要小于1．Pm’也不能过太。可吼通过两个函敦把Pc’、Pm’表示出来：即： Pc’=Pc*[1+}udge／(b--a)] (2) Pm’=prat[1+judge／(b—a)] (3) 2．2改进遗传算法在具体函数优化的应用 设且标茜牧是Ⅲ