改进型的快速免疫遗传算法研究.docVIP

改进型的快速免疫遗传算法研究 　　摘要：作为一种有效的优化方法，遗传算法在实际中的应用非常普遍。但它用来解决实际问题时，其收敛速度慢和稳定性差成为需要解决的关键问题。为了克服这些问题，本文通过创建最初的人口，免疫选择操作，改进遗传算子等一系列的方面来改善免疫快遗传算法。实验表明该算法比许多现有的算法具有更快的收敛性和更好的稳定性。 　　关键词：免疫算法；收敛速度；稳定性；遗传算法 　　中图分类号：TP301文献标识码：A文章编号：1007-9599 (2010) 10-0000-03 　　Reseach on Improved Quick Immune Genetic Alorgithm 　　Zhao Ming1,Hu Yanhong2 　　(1.Yangtze University,School of Computer Science,Jingzhou434023,China;2.Huazhong Normal University,Networking Academy,Wuhan430072) 　　Abstract:As an effective optimization method,genetic algorithm is used widely,in practice,but its slow rate of convergence and poor stability become a key issues that should be resolved.In order to overcome these problems,in this paper,We improve Immune genetic algorithm by creating the initial population,operatiing immune selection,improving genetic operator,etc.Simulation experiments show that immune genetic algorithm has faster convergence and better stability than many other existing algorithms. 　　Keywords:Immune algorithm;Convergence;Genetic operator;Genetic algorithm 　　一、引言 　　遗传算法作为广泛使用的进化算法之一，在优化方面有着明显的优势[1].首先，它是并行算法，可以评价和管理全部群体。当评价群体的时候，所有解决种群的方案同时进行，这极大地下降了该算法被困在局部的概率；其次，在利用遗传算法在解决实际问题时，算法仅仅要求目标函数的问题表述，而不需要其他补充资料。再者，它是一个随机搜索方法，而不是一个确定的行动，而且这是一个更好的模拟不确定的自然的表现。 　　由于上述优势，遗传算法广泛用于复杂的优化问题。但是，该算法随机搜索中缓慢的收敛性和差稳定性已成为其在工程使用上的主要问题。为了克服这些问题，人们进行了许多的研究并提出了许多改进算法。虽然这些研究已经在一些程度克服了上述问题，但结果并不让人感到满意。基于此，本文提出了一种改进型的快速免疫遗传算法。试验证明，该算法可以较好的克服上述问题，取得较为满意的效果。 　　二、改进的快速遗传免疫算法 　　为了克服收敛性慢和稳定性差的问题，本文从创建种群，选择免疫操作，改进遗传算子等方面做了改进，具体过程如下： 　　（一）创立初始种群 　　已有的研究[2]表明，最初的人口的分布严重影响了该算法的收敛性。如果初始种群的表现很差，该算法将收敛慢，甚至将不会收敛。基本创造初始种群的方法是随机的创造空间。但这种方法没有考虑解决空间的人口分布，因此，许多个人也许会被放在一个小空间，这对搜索空间的延时不利并且很难找到全局的最优解。因此有必要研究如何建立最初的人口。为了迅速创造良好的初始种群并且不影响其他算法的性能，利用一个新的方法来创建最初的人口，这是所谓的小区域创新方法（SRCM）。这一方法，根据每个参数将种群分成小区域，这些小区域的数量与人口规模相当。在每一个小区域，随机建立一个初始的个人。SRCM可以保证最初的个体将和被分配到解决空间的个体有显著的差别。因此，基于这种类型最初的人口的算法将快速收敛并且可以容易的找到全局最优解。 　　（二）编码机制 　　遗传算法的收敛性与它的编码方法没有关系[3]。编码方法是设计算法时主要考虑的事项。考虑到二进制编码将增加额外的计算时间用来编码和解码该算法，且数字编码时二进制代码将产生编码错误，这将降低算法的精度。而实数编码可以克服上述问题，并可以搜索