遗传算法gageneticalgorithm.ppt

交叉和变异是GA中的两个重要算子，调整交叉和变异率可维护勘察/探索间的平衡，对搜索的有效性和效率有直接影响。 文献中的参数设定方法可分成四类：静态设定、动态确定、自主自适应和动态自适应。 GA本质上是一个随所考虑问题而改变的动态自适应过程，为在不同进化阶段达到最好性能，参数值在搜索过程中应是变化的。 该类方法使用刚性参数（整个进化过程中参数值固定），违背了该精神。 当群体中有太多相似染色体时，增加交叉和变异概率也很难避免早熟收敛。 此时一个可行的选项是禁止通过交叉操作产生新染色体，并加入与当前群体不同的新染色体，新染色体应具有类似当前群体的高适应度。 变异算子满足这样的要求，但它通常生成随机输出，不是理想方法。 局部搜索技术是可能的替代，它能生成高适应度的新染色体。Moon等[155]和Espinoza等[163]在这方面进行了尝试。 Wang等[168-170]开发了一个具有多遗传算子混合使用的有效算法，但没有考虑算子自适应。他们后来给出了一个多算子自适应方案，根据多个交叉和变异算子对搜索性能的贡献，自适应调整它们的使用比例[171]。 Hong和Wang[172]提出了一个自适应控制策略去平衡多变异算子的使用，但没有控制交叉算子。 Huntley和Brown[174]、Grefenstette[173]首先提出了GASA概念，目前已有较多研究采用该方法。其基本思想是：利用SA理想的收敛性质，促进对解空间的搜索，同时保持GA的群体方法和重组能力；向GA中加入退火方案，在搜索全局最优过程中，用较少的计算时间增加GA逃避局部最优的概率，去改进解的质量和计算时间。 文[188]设计了一个多agent并行元启发式算法，主搜索算法为禁忌搜索，结合遗传算法以保证多样性，Kick算子负责增强搜索，使用了搜索、增强、多样性agent。 文 [189]开发了一个多子群体的并行遗传算法，采用一个迁移机制实现子群体间的染色体交换。 根据文[190-192]，常用的约束处理技术可归为以下类别： 罚函数方法，最常用的约束处理方法，包括静态、动态、退火、自适应、协同进化和绝对罚函数； 设计特殊的表述和算子，避免不可行解出现，如解码法； 不可行解修复法； 目标与约束的分离法，如协同进化、可行点优先、行为记忆、多目标优化技术； 混合方法，如拉格朗日乘子法、基于随机进化的约束优化、模糊逻辑、免疫系统、文化算法、蚁群优化等。 罚函数法的思想来源于传统优化，但又有区别。 在遗传算法的进化搜索中，罚函数方法能在群体中保持一定比例的不可行个体，这样就可以利用这些不可行个体包含的最优解信息，使搜索沿着可行和不可行区域两个方向进行。 罚函数法的关键是信息保留（保留一些不可行解）和选择压力（拒绝一些不可行解）间的平衡。 该方法的思想是可行个体始终优先于不可行个体，但当可行区域与整个搜索空间相比过小时候，如约束中的某些条件很难满足，这个时候除非初始群体中包含可行点，否则该方法无效。 Deb[214]给出了类似的方案。 Hinterding和Micalewicz[215]给出分阶段搜索方案，首先搜索可行解，随可行解的增加，算法将致力于可行解中最好个体的调整。 b）随机进化方法 Belur[219]提出了一个基于随机进化的约束优化处理技术，简称CORE。 其基本思想是将随机优化搜索与无约束优化中的数学规划结合。 该方法可看作是数值优化中的修补算法，因而也存在算法依赖具体问题的缺陷。 d）蚁群算法 借鉴蚂蚁觅食的原理，根据信息素的分布，来优化搜寻路径，常用来解决复杂的组合优化问题。 Bilchev和Parmee[227]将其应用到数值优化问题，并给出了约束处理办法。 当某个解（食物源）违背约束时，不论其目标函数如何，均丢弃该食物源，相当于死惩罚。 随着进化的进行，由于约束的收紧（可接受的约束违背减小），一些以前接受的食物源消失。 该方法缺陷是易陷入局部最优。 Hajela和Yoo[222,223]提出了一个求解约束优化问题的混合GA和人工免疫系统的算法。 采用两个群体，一个是由最好解组成的抗原群体，另一个是由最差解组成的抗体群体。 采用嵌套GA，外部GA进行原问题的优化，内部GA使用抗原和抗体间的基因级的哈明距离作为适应度函数，使抗体进化到与抗原非常相似。 该方法令人感兴趣的是不可行个体通常将变为可行。 Coello Coello和Cruz-Cortés[224]扩展了Hajela和Yoo[222,223]的算法，即不需要罚函数，允许初始群体无可行解。 在此基础上开发了一个与文[221]中类似的算法[225]，只是采用内嵌GA处理不可行群体进化，而不是人工免疫系统。 Cruz-Cortés等[226]采用人工免疫系统（CLONALG）求解约束优化问题。