一种改进操作算子的加速收敛遗传算法.docVIP

一种改进操作算子的加速收敛遗传算法 　　摘 要：针对基本遗传算法效率低和易早熟的缺陷，提出了一种改进操作算子的遗传算法。该算法在种群初始化、选择、交叉、变异等基本算子的基础上加以改进，使算法具有更好的适应性。对3组不同函数的测试表明，改进算法较传统的遗传算法具有在种群很小的情况下收敛速度快稳定性高的优点，同时能有效地避免早熟现象。 　　关键词：遗传算法；变异；收敛速度；种群数 　　中图分类号：TP391文献标识码：B 　　文章编号：1004 373X(2009)02 139 03 　　 　　Accelerating Convergency Genetic Algorithm of Improved Operator 　　DENG Yangchun,LIANG Ximing 　　(College of Information Science and Engineering,Central South University,Changsha,410083,China) 　　Abstract：To overcome low performance and premature convergence of simple Genetic Algorithm(GA),an improved operator genetic algotithm is proposed.It improves the operators such as initialization,selection,crossover and mutation,which make the algorithm more adaptive.The 3 groups of experiments show that improved algorithm has a quick speed convergence and more stable than simple GA,and also can efficiently avoid premature convergence. 　　Keywords：genetic algorithm;mutation;convergence speed;population size 　　 　　0 引 言 　　 　　遗传算法(Genetic Algorithm,GA)是一种宏观意义下的仿生算法，它模仿的机制是一切生命与智能的产生与进化过程，从一个初始种群出发，不断重复执行选择，杂交和变异的过程，使种群进化越来越接近某一目标。它通过模拟达尔文“优胜劣汰，适者生存”的原理激励好的结构；通过模拟孟德尔遗传变异理论在迭代过程中保持已有的结构，同时寻找更好的结构。经典遗传算法的求解步骤为：初始化种群；选择；交叉；变异；判断终止条件。由于它简单有效，具有很强的鲁棒性和通用性，所以被广泛应用于模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等多种领域［1］。 　　早熟和收敛时间过长是影响遗传算法效率的两个主要因素，而选择压力过大是导致早熟收敛的一个重要原因［2］，为此不少学者对遗传算法做了改进［3－5］，但仍存在一定局限性。在此对遗传算法个操作算子加以改进，通过对经典多极值测试函数的仿真研究表明，改进后的算法能够有效避免早熟且在种群规模较小的情况下具有较快的收敛速度。 　　 　　1 改进操作算子的遗传算法 　　 　　经典遗传算法的把变异作为一种辅助手段，认为变异只是一个背景机制，这一观点与生物学中的实际观察是相符的，但作为设计人工求解问题方法的思想，他正受到理论与实践两方面的挑战［6］。另外，从微观角度来讲，变异随时都有可能发生，如果突变向不好的方向进行，其“修复系统”立刻就能对其进行修复。基于以上两点，这里在选择与交叉算子中渗入不同的变异行为，且动态改进变异算子，使算法能快速达到全局最优。 　　1.1 初始化 　　为了改善初始群体的效能，提高模式的优良度，采取如下方法：先随机产生一个父染色体，对其进行一定次数(20次左右)的逐位精英选择高频变异，方法如下：例如染色体为01001，先把第一位变异为1，成为11001，若适应度提高，则此位以很大的概率p(如0.98)转换为1，否则以很小的概率(如0.01)转换为1，以此类推。接着产生具有一定规模的染色体种群，随机使其中每个染色体的某段基因与之前父染色体相应基因段保持一致。如：假设父染色体为00110，随机产生个体10101，若以第一和第二位基因与父染色体一致，则该个体变为：00101。该方法把较优秀的模式分散到各个染色体中，使它一开始就具有一定概率的优秀短模式，从而有效提高算法的寻优效率。 　　1.2 选择操作 　　经典遗传算