基于进步数的变异遗传算法研究.pdfVIP

中国电子学会电路与系统学会第十九届年会论文集 基于进步数的变异遗传算法 扬泽星 雍正正 黄孔亮 (深圳大学信息工程学院 深圳 518060) 摘要：本文提出了一种改进的遗传算法一～基于进步数的变异遗传算法，阐述了这种算法的基本思想和 基本步骤。通过测试函数进行实验，实验结果说明它具有很好的全局寻优能力和收敛性。 关键词： 进步数 遗传算法精英种子优劣树 一、前言 遗传算法是一种模拟生物进化的全局优化算法。但由于超级个体的存在，往往会导致遗 传种群缺乏多样性而过早的收敛。如果为了避免过早收敛采取减小选择压或加大变异概率又 会导致收敛太慢，甚至无法收敛，从而使遗传算法搜索效率低下…”1。为了克服遗传算法的这 些缺点．本文提出一种改进的遗传算法～基于进步数的变异遗传算法(MGABA)，它把最佳 值作为精英种子，通过对精英种子进行变异得到种群；定义了一种算法的收敛程度，用进步 数来表征；每一代种群都有比较台理的多样性，且种群的多样性随收敛程度(郎进步数)有 所不同；当加大多样性也不能跳离局部最优点时，在距离最佳者很远区域选一最佳值作为精 英种子进行二次进化。。。实验证明，这种算法搜索效率高，能很好的跳出局部最优解。 二、承性和多样性 系，在遗传算法中表现为既要继承以前种群优良特性又要保持种群的多样性，继承性由选择 和交叉来体现，多样性由变异来体现。但这三种操作相互独立，之间缺乏相互协调的参数， 很难处理好继承性和多样性关系，正如引言所述，很容易早熟或不收敛。而本文算法则比较 好的克服了这一点，它弱化交叉操作，强化变异操作，选择压力大。用进步数来表征进化的 难度，并协调各种操作。当种群很难进化时，则认为该进化区域没有更好的解，保存此局部最 优解后，采取突变的方式选择一个远离原来种群的区域再次进化。 为使种群有良好的多样性，本文丰富了变异操作，首先，对精英种子进行较小的变异得 到一些个体(可取15％)，从图的角度来看，可以把搜索区域看成是一个优劣树组成的森林， 每棵优劣树的构成是：每个节点代表一个可行解，每个节点和它的相邻节点有且只有一个基 因位不同，父节点的适应度比子节点的适应度耍高，并且父节点是子节点的邻域中(这里邻 域定义为与节点只相差一个基因位的染色体的集台)适应度最大的染色体。这样整个解域就 用优劣树分成了几个区域，每棵优劣树中的底部节点都根容易很确定的往上搜索到根节点那 个局部最优解。如果整个解空间有很多棵优劣树，只采用一位变异的方法很容易陷入局部最 优，而且步调很慢。鉴于此，我们进行第二种变异(可取15％)，即对精英种子进行两位甚至 更多位的变异，当陷入局部最优时有利于从一棵优劣树跳到另一棵更好的优劣树，且进化步 子也更快。第三种变异(可取20％)比第二种变异更大，但一般小于染色体长度的一半，这是 一个很大的搜索空间，搜到较优解的概率很小，但如果搜到一个较优解，将加速搜索过程。 第四种变异是自适应变异(可取50％)，他和进步数相关，我们将在后面详细阐述。 因此，变异一局部搜索能力好，变异二和三全局寻优能力强，变异四则能通过反馈结果 自适应的调整变异概率。通过上四种变异协作，种群能获得很好的全局寻优能力。 VIII——610 中国电子学会电路与系统学会第十九届年会论文集 三、于进步数的自适应变异 变异一、二、三的缺点是随着进化难度的增加不会相应的调整操作，虽然每个个体有很 好的代表性，但在进化后期由于进化难度加大，需要更致密的搜索，变异四利用进步数来判 断进化难度，自适应的调整变异概率，通过大量群体的集中搜索，来找到一棵更好的优劣树。 为了表征进化难度，引入进步数(advan)这个概念，为此把整个进化代序列分为若干区 间，除当前区间外，所有过去区间都包含P代进化，当前区间的代数等于总代数与P的模。 定义1：进步数(advan)是指考察最近P代进化中．整个种群进步的次数。进化次数的 计算方法为，每次进化中，当变异种群里有比精英种子适应度更高的染色体时，进步数加一 (前进)，否则减一(非前进)。记最近P代进化中，前进的次数为a，则advan=2a-p。 最近P代是一个动态的概念，为了记录最近P代进步数，就要用到P个变量 了一代，就要对这P个变量更新。每一代耍进行P次更新