基于遗传算法和禁忌搜索算法的混合策略及其应用-北京工业大学学报.pdfVIP

第32卷第3期 北京工业大学学报 Vol32NO3 2006年3月 OF UNIVERSITYOFTECHNOI．OGY Mar2006 JOURNALBEIJING 基于遗传算法和禁忌搜索算法的混合策略及其应用 孙艳丰 (北京工、眦大学计算机学院．北京1[)0022) 摘要：为了提高遗传算法的局部搜索能力，根据遗传算法和禁忌搜索算法自身的特点．通过分析2者的优势 和不足，提出了‘种将2者混合使用的求解优化问题的方法．本算法用遗传算法作全局搜索．用禁忌搜索算法 作局部搜索，可以加快收敛速度，得到满意的计算结果同时，为抑制早熟现象，避免收敛到局部最优点，提出了 一种应对策略实验结果表明，该算法在计算速度和计算结果方面都有改进 关键词：遗传算法；收敛；全局最优 301．6 025805 中图分类号：TP 文献标识码：A 文章编号2006)03 遗传算法(geneticalgorithm，简称GA)和禁忌搜索(tabu 搜索算法，前者源于生物遗传学，模拟自然界生物的优胜劣汰、适者生存的过程，后者模拟一种智力过程． 这2种算法都与问题无关，通用性与优化性较好，能处理复杂、大规模优化问题，但并不是对所有问题都适 用．文献[1]根据2者的特点提出将2者混合使用的策略，但其缺点是调用TS算法过于频繁，计算量大； 而不凋用TS算法又易早熟(群体中的个体过早地收敛到某点附近，不能使搜索转向解空间的其他区域)， 产生局部最优解．作者首先对GA和TS算法进行了分析比较，有效结合它们各自优势，提出混合使用的 方法；同时对于早熟现象，提出一种早熟判定与应对策略；最后进行r计算试验． 1 GA及TS算法简介 1．1 GA的特点与不足 J．与传统 的优化算法相比，标准GA具有如下特点： 1)搜索过程不盲接作用在变量上，而是作用在将变量编码后的字符串上； 2)搜索过程是从一组解迭代到另一组解，这样可降低陷入局部最优解的概率； 3)使用随机搜索过程而不是确定性搜索过程； 4)只利用目标函数和约束函数的函数值信息，不需要导数等其他辅助信息，因此通用性更大，适用范 围更广． 5)作为一种优化算法，寻求最优点不是GA的唯一目的，更重要的目的是进步，即它的优化过程是一 个不断改进的过程． GA具有并行搜索能力，从解空问中多点出发搜索问题的最优解，能在一定程度上保留历史信息，适 合求解火规模任意目标函数的全局优化问题．但它也有不足，进行局部搜索能力差，导致发生早熟．这是 因为算法的变异概率太小，引入新染色体的机会少，如果变异概率取大些，传统的变异算子将导致算法随 机性很大，使搜索过程过于盲目． 收稿13期：2004—1}9—07 基金项目：北京市教育委员会科技发展计划资助项目(Km200310005025) 作者简介：孙艳丰(1964)，女，黑龙江齐齐哈尔人，教授 万方数据 第3期 孙艳丰：基于遗传算法和禁忌搜索算法的混合策略及其应用 1．2 TS算法的特点与不足 程的“爬山”算法，它通过一个灵活的记忆功能和藐视准则达到搜索解空间的目的 算法的基本思想如下：假设给出1个解和1个邻域，首先在这邻域中找出1个最好的局部解作为当前 7但是，这个最好解有可 解z，令当前最优解。’=z，然后再在这个当前解的邻域中搜索最好的局部解z 能与前次的相同，为避免这种循环的现象，设置1个记忆近期操作的禁止操作表，如果当前操作是记录在 此表中的操作，那么，这一操作就被禁止，否则用z7取代z，此时z7点的目标函数值可能劣于z点的目标 值，所以IS算法以一定概率接受劣解．但对那些特别有益的操作，如果改善了目前找到的最优解，可以忽 视被禁止的特性(即此时仍令z=z7，z+=