基于多种群遗传模式搜索算法函数优化与仿真.docVIP

基于多种群遗传模式搜索算法函数优化与仿真 　　摘 要： 为改善遗传算法局部寻优能力较差和易早熟的固有缺陷，提出一种多种群遗传?模式搜索算法。算法利用遗传算法的强全局搜索能力，模式搜索算法的局部寻优精度高的优势及多种群的多样性，加入人工选择算子保留各种群最优值，以提高遗传算法的收敛性，并且对各种群采用不同控制参数兼顾算法的全局搜索和局部搜索。通过对复杂函数进行仿真测试，结果表明多种群遗传?模式搜索算法比单独使用标准遗传算法和多种群遗传算法精度高，而且可跳出局部最优，快速收敛，是一种有效可行的优化算法。 　　关键词： 多种群遗传算法； 模式搜索算法； 复杂函数优化； 仿真运算 　　中图分类号： TN911?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2013）10?0001?03 　　遗传算法（Genetic Algorithm，GA）[1]是基于生物进化机制的随机搜索算法，其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解，且它不依赖于问题的具体领域、具有强鲁棒性。然而，尽管遗传算法有很多优点，但目前存在的问题依然很多，其具体表现为：遗传算法的早熟现象，即很快收敛到局部最优解而不是全局最优解[2]；快要接近最优解时在最优解附近左右摆动，收敛较慢[3]；接近最优解的个体总是被淘汰，进化过程不收敛。对此，本文将多种群遗传算法和模式搜索法相结合。采用多个种群并行进化，拓宽搜索空间，增加群体多样性；各种群取不同的控制参数（交叉，变异概率），这样就弥补了简单遗传算法的不足[4]；采用最优个体保留策略，从而保证最终可以搜索到全局最优解；引进模式搜索算法，利用其快速局部搜索能力，使算法在最优解附近迅速收敛[5]；通过对复杂函数的仿真运算，结果说明这种搜索方法是可行的。 　　1 基本算法简介 　　1.1 遗传算法 　　遗传算法的思想是：首先将代表问题的解用染色体编码，形成种群，再通过适应度函数计算每个个体的适应性，按照适者生存、优胜劣汰的原理，在每一代选择性能优异的个体，对其使用交叉、变异算子，产生新种群。交叉操??交换两个染色体的一部分，变异操作改变染色体上某个随机位置的基因值。经过多次重复迭代，适应性较弱的个体被淘汰，适应性强的则统治种群，最终生成符合优化目标的染色体，获得问题的近似最优解。 　　多种群可拓宽搜索空间，增加群体多样性。多样性是遗传算法必不可少的本质属性，这是因为它能使遗传算法搜索一个比较大的解的空间区域。采用最优个体保留策略，每一次的演化过程中，子代总是保留了父代种最好的个体，以在“高适应度模式为祖先的家族方向”搜索出更好的样本，从而保证最终可以搜索到全局最优解。 　　1.2 模式搜索法 　　2 多种群遗传?模式搜索算法 　　2.1 算法框架 　　各种群采用不同的控制参数[7]，大多数学者建议选择较大的[pc]（0.7～0.9）和较小的[pm]（0.01～0.05）。但是[pc]和[pm]的取值方式还是有无数种，对于不同的选择，优化结果差异很大。MGA弥补了简单遗传算法的这一不足，通过多个设有不同控制参数的种群协同进化，同时兼顾了算法的全局搜索和局部搜索。各种群之间通过移民算子进行联系，实现多种群的协同进化；最优解的获取是多个种群协同进化的综合结果。加入人工选择算子保存各种群每个进化代中的最优个体，并作为判断算法收敛的依据。精华种群和其他种群有很大不同。精华种群不进行选择、交叉、变异等遗传操作，保证进化过程中各种群产生的最优个体不被破坏和丢失。同时，精华种群也是判断算法终止的依据，这里采用最优个体最少保持代数作为终止判据。这种判据充分利用了遗传算法在进化过程中的知识积累，较最大遗传代数判据更为合理。 　　3 仿真测试 　　该非线性函数在给定范围内分布着许多局部极值，通常的寻优算法极易陷入局部极值或在各局部极值间振荡，比较适用于验证多种群遗传?模式搜索算法的性能。标准遗传算法运行3次得到的结果如表1所示，其进化过程如图3所示。 　　4 结 语 　　本文提出的优化算法MGPS融合了MGA强大的全局搜索能力PS搜索算法的局部寻优精度高优势。算法首先使用MGA实现粗搜索，可迅速逼近全局最优解的临近区域；然后利用PS 实现细搜索，可准确定位全局最优解。实验表明MGPS算法优于单独执行的SGA和MGA算法。MGPS提高了算法的成功率，并减少了陷入局部最优的可能，且收敛速度较快，是一种有效的优化算法。在后期的工作中将MGPS 算法运用于其他领域，如无人机航迹规划[8]，图像处理[9]，目标识别等[10]。 　　参考文献 　　[1] ELANSARY A M， ELDAMATTY A A， NASSE