适应性精英种群策略的遗传算法用于多模函数优化推荐.pptVIP

文章研读 Applied soft computing 11 (2011) 2017–2034 Genetic algorithm with adaptive elitist-population strategies for multimodal function optimization 适应性精英种群策略的遗传算法用于多模函数优化  Yong Liang , Kwong-Sak Leung Keywords: Genetic algorithm Multimodal optimization Niching strategy 摘要 引入了一种新技术,适应性精英种群搜索方法。此方法适应性地调整种群大小，根据个体的不相似性和新型的依赖方向的精英遗传算子，提出了一个适应性精英种群遗传算法（AEGA） * 1.介绍 现实中的许多问题需要优化算法能够搜索多个最优解。近年来已经提出了各种种群多样性改进机制，使得GA通过搜索保持了种群的多样性，允许GA识别多模函数的多个最优解，但并没有说明算法对于效率的改进。多模GA的效率必须平衡两方面的矛盾： * 1.介绍 精英搜索vs.多样性保持：精英策略在GA中被广泛采用，用于改善全局最优搜索能力，但精英策略关注某些“最优”个体，而减少了种群多样性，而GA又需要保持种群多样性来发现多个最优解。如何平衡精英搜索和多样性保持对于构建有效率的多模GA是很重要的。 算法有效性vs.冗余种群：许多 GA使用大规模种群来提高获得全局和多个最优解的几率。但大种群将明显增加算法计算的复杂性，并产生很多多余个体，降低了GA的效率。 * * 2.新的适应性精英种群搜索技术 （1）个体的相对方向 对于高维的多模函数最大化问题，定义两个个体Pi和Pj的相对上升方向，为了方便定义，通过交叉产生的后代个体Ci和Cj作为参考点，通过比较父代和子代的适应度值，定义两个个体的相对方向。个体Pi相对于Pj的方向定义为： 如果f(Ci)-f(Pi)0，Pi的相对上升方向是移向Pj； 如果f(Ci)-f(Pi)=0，Pi的相对上升方向是flat； 如果f(Ci)-f(Pi)0，Pi的相对上升方向是远离Pj； 同理可以定义Pj相对于Pi的上升方向。 * 2.新的适应性精英种群搜索技术 （1）个体的相对方向 两个个体的相对上升方向有四种情况： Back to back: Pi远离Pj，同时Pj远离Pi； Face to face: Pi移向Pj，同时Pj移向Pi； One-way: Pi远离Pj，同时Pj移向Pi，或者Pj远离Pi，同时Pi移向Pj； Flat: f(Ci)-f(Pi)=0或f(Cj)-f(Pj)=0 Pi Ci Pj Cj Pi Ci Pj Cj Pi Ci Pj Cj Back to back Face to face One-way * * 2.新的适应性精英种群搜索技术 （2）不相似的个体 处于多模函数不同峰上的点被看做不相似的个体，依据个体的相对上升方向和个体间的距离d判断个体的不相似性。个体间距离的阈值为ds，不相似性的原则为： 如果两个个体的相对方向是back to back，或d=ds，则两个个体是不相似的并处于不同的峰上； 如果两个个体的相对方向是face to face，one-way或flat 并且dds，则两个个体是相似的并处于同一峰上。 * 3.基于适应性精英种群的遗传算法 基于生境迁移的动态小生境遗传聚类算法： （a）精英遗传算子 精英交叉算子用于搜索精英个体，精英变异算子用于产生并 保护处于未探索到的峰上的精英个体。 精英交叉算子： ① 随机选择两个个体Pi和Pj，利用交叉策略产生后代Ci和Cj； * 3.基于适应性精英种群的遗传算法 精英交叉算子： ② 对Pi和Pj应用不相似性判断原则； 若Pi和Pj是不相似的：如果子代的适应度大于父代，则用子代替换其父代；如果所有父代和子代的适应度相同，则选择距离最大的两个个体替换父代个体。 若Pi，Pj，Ci，Cj都是相似的：如果所有父代和子代的适应度相同，则从四个个体中随机选择一个个体替换父代个体Pi；否则从四个个体中选择适应度最好的个体替换Pi。然后移去Pj。 * * 3.基于适应性精英种群的遗传算法 精英变异算子： ① 随机选择个体Pi，利用变异策略产生后代Ci； ② 判断Pi和Ci的不相似性； 若Pi和Ci是相似的：如果f(Ci)f(Pi)，将Ci替代Pi进入下一代；如果f(Ci)=f(Pi)，则Pi进入下一代。 若Pi和Ci是不相似的：Pi直接进入下一代；将Ci与