基于遗传算法早熟收敛分析与防止.docVIP

基于遗传算法早熟收敛分析与防止 　　摘 要：遗传算法是一种搜索最优解的仿生算法，是模拟生物进化过程的计算模型，在自动控制、生产调度、图像处理等众多领域有着广泛的应用，但遗传算法中的早熟收敛是一个不可忽视的现象，导致不能搜索到全局最优解。本文对遗传算法作了深入的研究，分析导致早熟收敛的原因，提出防止早熟收敛的各种措施。 　　关键词：遗传算法；早熟收敛；分析与防止 　　中图分类号：TP301.6 文献标识码：A 　　1 引言 　　遗传算法[1]（Genetic Algorithm，GA）是由美国J.Holland教授和他的学生于1975建立起来的，主要思想是模拟生物进化中“适者生存”的规律。在解决多参数和非线性问题中，传统的优化方法不但效率低，而且有可能得不到结果。遗传算法具有极强鲁棒性和很高的搜索能力，为解决这类问题提供了一种有效的信息途径，其强大的搜索能力和突出的优点，受到人们越来越多的重视。但遗传算法也有自己的不足之处，其中之一就是早熟收敛（也称未成熟收敛）问题，也是目前最难处理的关键问题。早熟收敛使算法进入局部最优解，而遗传算法的一些优良性能将无法完全体现。本文深入分析产生早熟现象的原因，并提出防止早熟收敛的一些措施。 　　2 遗传算法实现原理 　　遗传算法模拟生物进化的过程，设计合理的编码方法将各类实际问题转换为染色体形式的表示方式，并利用复制、交叉、变异等遗传算子的操作，经过对逐代解的优胜劣汰，最终搜索到问题的全局最优的解决方案[2，3]。 　　遗传算法步骤中的两个关键问题是编码方法和遗传算子的设计。它把需要解决问题的参数编成某种数制的编码，如二进制或十进制编码，这种编码我们把它称它称为基因，若干基因组合就成为一个染色体，每一个染色体对应问题的一个解决方案，据此可执行相应的复制、交叉和变异算子的操作[4]。 　　（1）复制算子 　　复制算子任务是按某种方法从父代群体中选取一些个体，遗传到下一代群体。复制算子按某一概率在群体中成对选择个体，个体选择的概率与其适应度值成正比，适应度值高的个体，被遗传到下一代群体中的概率就大。其在选择算子的操作过程??，首先根据特定的适应值函数计算方法得到群体中所有个体的适应值，依一定概率选择需复制的个体，然后按指定的选择方法确定优良个体。个体复制的分配方法包括按比例的适应度分配、基于排序的适应度分配等方法。 　　（2）交叉算子 　　所谓交叉算子就是将两个相互交配的染色体以某种方式（点式交叉、基于位置交叉）相互交换部分基因，产生两个新的个体。交叉算子可以防止某些遗传信息不会被丢失，其交叉过程就是产生新个体的过程。交叉运算在遗传算法中新个体的产生起着关键的作用，是区别于其他进化运算的重要特征。 　　（3）变异算子 　　变异是指在群体中随机选择一个个体，以较小的概率改变某部分基因，用新的基因替换原有基因，改变原个体的编码结构，实现群体的多样性。 　　利用复制算子将一些适应度值高的优良的个体遗传到下一代群体中，体现出自然界优胜劣汰的规律；利用交叉算子进行模式重组，不但继承了父代个体的优良基因，而且在一定程度上能够维持群体的多样性；利用变异算子进行模式突变，能够进一步保证群体的多样性。群体中的个体经过复制、交叉、变异一系列操作，逐步向较好的方向进化，最终得到问题的最优解。 　　3 遗传算法的求解步骤 　　遗传算法求解步骤如下： 　　（1）一组第0代的初始的候选解群体的生成。 　　（2）使用复制算子操作生成复制后代。 　　（3）根据交叉概率，将交叉算子作用于候选解群体，个体随机两两配对，生成新的候选解。 　　（4）根据变异概率，对步骤（3）中生成的候选解群进行变异操作，形成新一代的候选解群体。 　　（5）计算群体中各个候选解的适应值，如果候选解不满足算法终止条件，返回步骤（2）否则结束算法。 　　遗传算法的操作流程图如图1所示。 　　4 遗传算法的早熟问题 　　4.1 早熟现象 　　“早熟”是指遗传算法早期，在种群中出现了超级个体，该个体的适应值将会大大超过当前种群的平均个体适应值∑fi/N，从而使得该个体很快在种群中占有绝对的比例，使算法较早收敛于局部最优点的现象[5]。早熟收敛问题表现为会使接近最优解的个体总是被淘汰和群体中所有个体都陷入同一极值而停止进化。群体中个体结构的多样性急剧减少是遗传算法中的较为突出的问题之一，在找到最优解或满意解之前，遗传算法希望群体中个体结构保持多样性，搜索不断进行。早熟收敛与局部极小值问题有很大的不同，早熟收敛并不一定在局部极小点出现，而且早熟是难预见是否会出现，它是随机性产生的。 　　4.2 早熟产生的主要原因 　　早熟产生的主要原因主要有以下几点： 　　（1）遗传算法在进化过程中，会产生一些超常的个体，