遗传算法在工程优化中几点改进.pdf

遗传算法在工程优化中的几点改进 陈玲俐，姚宇琼，于洁 上海大学土木系，上海（200072 ） E-mail ：cllzgy@ 摘 要：本文面对工程优化中的实际困难，对传统遗传算法进行了系统改进。在遗传算法中 采用动态种群规模，消除了种群规模对优化效率和优化质量的影响；在选择操作中加入记忆 功能，避免了大量重复计算工作；针对实数编码导致的杂交操作并行机制丧失问题，提出了 双重模糊编码方法；为了提高优化效率，提出用启发式优化准则减少变异操作中的盲目性。 为避免早熟收敛，在优化进程中逐步增大变异率，减小杂交率。改进的遗传算法在不破坏自 适应并行运算机制的同时，规避了种群的无效解、消除了优化过程中的重复计算，提高了优 化效率。 关键词：遗传算法，动态种群，双重模糊编码 1. 引言 遗传算法是 1975 年美国密西根大学的Holand 教授借鉴生物进化原则，提出的一种自适 应并行优化算法。在自然界中，生物的染色体决定生物的形态。千差万别的染色体都是由相 同数目的基因组成，一个基因只能是两种属性值（X ，Y ）中的一种（也可以表示为0 或1）， 不同属性值的基因的组合方式构成了千差万别的染色体。生物进化过程是染色体中的基因优 化过程。在工程和数学优化问题中，优化方案决定优化目标。千差万别的优化方案都是由相 同数目的优化参数组成，一个优化参数只能取有限的几个值、或在有限区间[L ，U] 中取值， 不同取值的优化参数的组合方式构成了千差万别的设计方案。可见，优化问题与生物进化问 题从表达方式到最终目标都非常相似。将优化问题表述成生物进化问题，在优化过程中采用 生物进化原则，实现优化目的的一类算法，称为遗传算法。 2. 传统遗传算法 遗传算法在求解优化问题时一般包括以下几个步骤： 1、 编码。将优化参数表示为基因的过程称为编码。由于生物基因属性只有两种，对应 0-1 二进制编码中的一个编码位。如果优化参数的值域也只包括两个值，则用一个编码位的 基因就可以代表一个优化参数。如果优化参数的值域包括多个值、或者优化参数为一个连续 变量，则多个编码位的基因才能表示一个优化参数。例如，优化参数的值域为（0~7 ）的 8 个整数，称值域空间为8，则需要3 个编码位才能表示一个优化参数。优化参数的值域空间 大小决定了编码位数的大小。如果编码位数为 n ，则编码空间为2 n 。一般编码空间不小于 优化参数的值域空间。当编码空间大于优化参数的值域空间时，则基因值可能会对应无意义 的或超界的优化参数值。对此，要进行修正、淘汰或加以惩罚。这种处理干扰了算法的自然 进化过程。为了避免编码空间与优化参数的值域空间不一致问题，又提出了自然数编码、序 列编码和实数编码等编码形式。如值域空间为8 的优化参数，可以用变化范围为1~8 的一个 自然数编码位来表示。后三种编码方式大大降低了编码和译码的工作量，在工程优化中应用 广泛，但是这些编码方式破坏了在生物杂交操作中隐含的并行机制。 2 、 遗传操作。遗传操作是通过种群性态的比较，使好的染色体遗传到下一代，差的染 色体失去繁殖权利。染色体的好坏通过适应函数值的大小来评价，适应值不小于零。适应值 - 1 - 函数要通过具体的目标函数值和约束情况综合考虑，构建。适应值函数与目标函数值的关系 通常有以下几种关系：线性关系、指数关系、对数关系、倒数关系等。当染色体对应的优化 方案满足优化模型中的约束关系，约束对染色体的适应值不产生影响；当约束关系不满足时， 要根据违约量的大小，对目标函数值得到的适应值附加一项惩罚。违约量越大，惩罚量越大。 如果一个优化方案违反严格约束，则此方案的适应值为零。这种处理方式相当于淘汰不满足 约束条件的解，在窄界约束条件下，很少采用这种处理方式。在种群中挑选遗传的染色体有 多种选择方法：赌盘选择、确定性原则、有退还和无退还随机选择、有退还和无退还剩余随 机选择。在后面我们将介绍一种新的遗传选择机制，有繁殖能力的染色体只能在子代中复制 一个样本，有效避免降低种群的多样性。