GM(1,1)预测遗传算法及其应用.docVIP

GM(1,1)预测遗传算法及其应用 　　摘要:本文概括了对遗传算法进行优化的主要策略和采用GM(1,1)模型进行灰色预测的基本方法;提出了采用GM(1,1)模型对遗传进化过程中的染色体适应度值进行预测,以该预测值作为选择操作依据之一的遗传算法改进策略;通过一个资源分配问题的实例,验证了该改进策略的有效性。实验证明,使用该方法进行较少代数的遗传进化即可得到较为充分优化的解决方案。 　　Abstract: Some improvement strategies for genetic algorithm and principle of GM (1, 1) model are introduced in this paper. A new improvement strategy is developed, which use GM (1, 1) model to forecast the fitness value of chromosomes of several next generations, and make select operation based on the weighted average of forecasting value and fitness value of chromosomes in present generation. An example of solving resource distribution question is shown, which confirm the validity of this improvement strategy. The experiments prove that, using this method could obtain full optimized solution in less generations of heredity evolution. 　　关键词:遗传算法;灰色系统;预测;GM(1,1)模型 　　Key words: genetic algorithm; gray system; forecasting;GM(1,1) model 　　 　　0引言 　　遗传算法是一种模仿自然界进化过程的方案优化算法,由Holland教授于20世纪70年代提出[1]。近年来,遗传算法被广泛应用于各种场合,但随着问题复杂程度的增长,遗传算法为了寻求出充分优化的解决方案将耗费很高的计算成本。为了解决这一问题,学者们在多个方向进行了研究。Goldberg提出了共享法的选择策略[2];Eshelman则认为每一代中的最优个体(即“精英”)的基因应被主动地遗传给下一代[3];Srinivas M等人提出了自适应遗传算法[4];而Bianchini R,Hart W和Wilson R等人则对并行遗传算法进行了研究[5~7]。这些遗传算法的选择操作均是以个体的适应度值为依据的,作者认为,在遗传选择操作中除个体的适应度值之外,还应当考虑该个体祖先适应度值对个体进化过程的影响――例如对于两个具有相同适应度值的个体,祖先适应度值较优的个体被下一代选中的概率应更高。基于该思想,本文提出了采用GM(1,1)模型对遗传进化过程中的染色体适应度值进行预测,以该预测值作为选择操作依据之一的改进策略,并对灰色预测遗传算法进行了程序实现和实验验证。 　　1GM(1,1)预测遗传算法 　　1.1 GM(1,1)模型灰色系统理论是我国学者邓聚龙教授于1982年提出的一门新兴学科,该理论已在各领域得到广泛应用。GM(1,1)模型是灰色预测理论的重要组成部分,其基本形式描述如下。 　　设某系统特征值的原始序列为: 　　X(0)=(x(0)(1),x(0)(2),…,x(0)(n)) 　　其1-AGO序列为: 　　X(1)=(x(1)(1),x(1)(2),…,x(1)(n)) 　　其中x(1)(k)=x(0)(i)。令均值序列: 　　Z(1)=(z(1)(2),z(1)(3),…,z(1)(n)) 　　z(1)(k)=(x(1)(k),x(1)(k-1))。则称:x(0)(k)+az(1)(k)=b 　　为GM(1,1)模型的基本形式,一阶微分方程:+ax(1)=b 　　称为GM(1,1)模型的白化形式。其时间响应函数为: 　　(1)(k+1)=(x(0)(1)-)e-ak+ 　　还原值为:(0)(k+1)=(1)(k+1)-(1)(k) 　　其中k=1,2,…,n;a,b可通过最小二乘估计获得。关于GM(1,1)模型更详细的描述可参见文[8]。 　　1.2 使用GM(1,1)模型进行适应度值预测的遗传算法设计选择、交叉和变异是遗传算