求解不可微函数优化的一种混合遗传算法的论文.docVIP

　　求解不可微函数优化的一种混合遗传算法的论文 摘 要 在浮点编码遗传算法中加入posonormal关键词 全局最优；混合算法；遗传算法；posonormal style=margin: 6pt 0cm1 引言 不可微非线性函数优化问题具有广泛的工程和 应用 背景，如结构设计中使得结构内最大应力最小而归结为极大极小优化（minmax）问题、数据鲁棒性拟合中采取最小绝对值准则建立失拟函数等。其求解方法的 研究 越来越受到人们的重视，常用的算法有模式搜索法、单纯形法、posonormal style=text-indent: 21pt近年来，由holland研究 自然 现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而首先提出的遗传算法，是一种较为有效的求不可微非线性函数全局最优解的方法。以遗传算法为代表的进化算法 发展 很快，在各种问题的求解与应用中展现了其特点和魅力，但是其 理论 基础还不完善，在理论和应用上暴露出诸多不足和缺陷，如存在收敛速度慢且存在早熟收敛问题[1,2]。为克服这一问题，早在1989年goldberg就提出混合方法的框架[2]，把ga与传统的、基于知识的启发式搜索技术相结合，来改善基本遗传算法的局部搜索能力，使遗传算法离开早熟收敛状态而继续接近全局最优解。近来， 文献 [3]和[4]在 总结 分析 已有发展成果的基础上，均指出充分利用遗传算法的大范围搜索性能，与快速收敛的局部优化方法结合构成新的全局优化方法，是 目前 有待集中研究的问题之一，这种混合策略可以从根本上提高遗传算法 计算 性能。文献[5]采用牛顿－莱佛森法和遗传算法进行杂交求解旅行商问题，文献[6]把最速下降法与遗传算法相结合来求解连续可微函数优化问题，均取得良好的计算效果，但是不适于不可微函数优化问题。 本文提出把posonormal style=margin: 6pt 0cm2 混合遗传算法 编码是遗传算法应用中的首要问题，与二进制编码比较，由于浮点编码遗传算法有精度高，便于大空间搜索的优点，浮点编码越来越受到重视[7]。考虑非线性不可微函数优化问题(1)，式中 为变量个数， 、 分别是第 个变量 的下界和上界。把posonormal style=text-align: right align=right min (1) step1 给遗传算法参数赋值。这些参数包括种群规模m，变量个数n，交叉概率pc、变异概率pm，进行poso-bidi-font-style: normalpposo-bidi-font-style: normalt。 step2 随机产生初始群体，并计算其适应值。首先第i个个体适应值取为fi’=fmax - fi，fi是第i个个体对应的目标函数值，fmax为当前种群成员的最大目标函数值，i=1,2,…,m。然后按goldberg线性比例变换模型[2] 式(2)进行拉伸。 fi’= a×fi’+b （ fi sup3; 0 ） (2) step3 执行比例选择算子进行选择操作。 step4 按概率 执行算术交叉算子进行交叉操作。即对于选择的两个母体 和 ，算术交叉产生的两个子代为 和 ， 是[0，1]上的随机数，1 , 。 step5 按照概率 执行非均匀变异算子[8]。若个体 的元素 被选择变异， ，则变异结果为 ，其中 ， (3) (4) 返回区间[ , ]里的一个值，使 靠近0的概率随代数 的增加而增加。这一性质使算子在初始阶段均匀地搜索空间，而在后面阶段非常局部化。 是[ , ]之间的随机数， 为最大代数， 为决定非均匀度的系统参数。 step6 对每个个体按照概率ppoagedata src=file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_image019.z o:title= 被选择进行poagedata src=file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_image019.z o:title= 作为初始点执行poagedata src=file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_image077.z o:title= ，若 则把所得计算结果 作为子代 ，否则，若 取 = ；若 取 = ，1 。 step7 计算个体适应值，并执行最优个体保存策略。 step8 判断是否终止计算条件，不满足则转向step3，满足则输出计算结果。 作为求解无约束最优化问题的一种直接方法，poso-bidi-