基于粒子群算法的遗传算法研讨.pdfVIP

146 计算机技术与应用进展·2006 基于粒子群算法的遗传算法研究+ 秦广军1王欣艳2王文义3 1郑卅『大学信息工程学院郑州450052 2东北大学软件学院沈阳110004 3中原工学院计算机科学与技术系郑州450052 摘要：针对传统遗传算法中存在的易陷八局部最优解和后期收敛速度慢的问题，基于粒子群算法，对 传统遗传算法作了改进，提出了一种基于粒子群算法的遗传算法．该算法的基本思想是使用粒子群算法 来构造变异算子和分割种群．通过对三个多峰函数的优化，与传统遗传算法进行比较，定量的研究了该算 法．实验结果表明，该算法很好的保持了种群的多样性，有效地克服早熟现象，显著提高遗传算法的收敛速 度． 关犍词：遗传算法粒子群算法变异算子种群多样性早熟收敛 1引 言 遗传算法(Genetic 借鉴生物界自然选择机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体间的信息交换，与进 传算法因其简单、通用、鲁棒性强等特点，在组合优化问题求解、规划设计、机器学习和人工生命等领域中 得到了广泛应用。 目前，在遗传算法的应用中，还存在着易陷入局部最优解和后期收敛速度慢的问题，基因缺失被认为是造 成这一问题的主要原因．由于群体是有限的，进化后期。当某个模式在种群中占优势时，传统的遗传机制会进一 步强化这种优势，破坏种群的多样性，使得多数个体非常相似，搜索区域迅速集中，陷入局部最优解，过早收 敛．GA的全局收敛理论是基于进化代数的无限大为前提的，但在实际应用中，这是不可能的．变异算子有助于 增加种群的多样性，但如果变异概率过小，不易产生新的个体结构；变异概率过大，又会导致搜索的盲目性、随 机性变大．而且，变异操作是无方向制导的，也会导致变异得到的个体由于适应度低而被淘汰．因此，如何在有 限种群规模上，有限的代数内，使用变异操作来保持种群多样性成为研究的热点．如CHC算法[1】、变异概率可 变的自适应遗传算法(AGA)【2】、大变异算子【3】、进化稳定策略【4】等．这些改进取得了一定的效果，但仍然没 能摆脱变异算子的随机、盲目性． swarln 本文借鉴粒子群算法(PSO：particle 种群分割策略．该算法用粒子群算法的进化公式来代替传统遗传算法中的变异算子，让变异算子根据个体距 离迄今最优解的远近来自动调整变异幅度和方向，总是在迄今最优解附近变异，避免了变异的盲目性；将种群 分为相互重叠的多个子种群分别进化。有利于保持种群的多样性，而且子种群间的重叠也使其不会变成孤岛， 同时，也可避免PSO变异算子陷入局部最优解和降低种群多样性的可能．在PSO变异算子和种群分割共同作 ·作者简介：秦广军(1977一)．男．河南安阳人，硕士研究生，主要研究领域为遗传算法，集群与并行计算；王欣艳(1979一)，女， 硕士研究生，辽宁沈阳人，主要研究领域为信息安全，软件工程：王文义(19s0-)．男，河南郑州人，教授，硕导，主要研究领域为 集群与并行计算，软件工程。 用下，有效地避免了传统遗传算法的早熟收敛问题，不仅在子种群内增强了局部搜索能力，而且保证了进化过 程中搜索空间的规模，提高了收敛速度． 2PSO算法概述 鸟群和鱼群群体运动的行为方式启发而提出的一种具有代表性的集群智能方法．PSO算法中，在D维空间m 个粒子组成粒子群，每个粒子都是D维搜索空间中的一个可能解．粒子在解空间中运动，并根据粒子自身迄今 最优解和全种群迄今最优解动态调整进化速度和方向． 历史最优位置：厶=(毛，t，…¨，k)：整个粒子群的所有粒子在D维空间中的历史最优坐标为： t=(f∥‘2，¨…．，‰)；粒子在飞行过程中根据厶和t按公式①调整速度和位置： I％O+1)=Vid(t)+c1’1’(屯(f)一％(f))+c2。r2‘(‰(f)一％(f))。 【Yid¨+lJ=)0【+％U+1) r^^1 r 1 数，每次计算时都重新产生． 与G