一种自适应混沌局部搜索策略遗传算法.docVIP

一种自适应混沌局部搜索策略的遗传算法 　　摘要:提出了一种自适应混沌局部搜索策略的遗传算法(ACLSGA),它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。实验结果表明:ACLSGA比具有精英保留选择机制的实数编码的遗传算法(RGA)的全局搜索能力强,收敛速度快。 　　关键词:遗传算法;自适应策略;混沌局部搜索;最佳个体 　　 　　1引言 　　针对遗传算法局部搜索能力差的缺陷,一些学者提出了将遗传算法与局部搜索算法相结合的方法用于解决函数优化[1-2]和多段供应链[3]等优化问题。本文也提出了一种遗传算法与局部搜索算法相结合的方法,这种方法与上述方法最大的区别在于局部搜索过程中引入了混沌,同时,混沌局部搜索是否进行受自适应策略控制,这种方法以下简称为ACLSGA。 　　2自适应混沌局部搜索策略的遗传算法(ACLSGA) 　　2.1混沌局部搜索 　　混沌是自然界广泛存在的一种非线性现象,具有随机性、遍历性和对初始条件的极度敏 　　感性等特点,在一定范围内能够按其自身的规律不重复地遍历所有状态。本文采用的混沌系统为[4]: (1) 　　式中,k为迭代次数,k=1,…,K,K为最大的迭代次数。?琢、?茁为控制参数,?琢∈(0,1),当?茁=2时,方程式(1)是一个混沌系统。 　　混沌局部搜索描述为: 　　begin 　　设置混沌系统参数和混沌搜索次数M; 　　根据混沌系统得到一个长度为M的混沌序列; 　　选择当前种群中的最佳个体vc; 　　混沌搜索初始计数器t=0; 　　while (tM) 　　叠加混沌序列中某一项到vc中任一维上形成新个体vn; 　　计算新个的适应度值; 　　if f(vc)f(vn) then 　　 vc←vn; 　　end 　　t=t+1; 　　end 　　2.2 自适应策略 　　遗传算法在初始进化阶段具有较好的多样性,而到了后期个体之间的多样性不断减少,进化过程缓慢或停滞。为了充分发挥遗传算法自身的特点,混沌局部搜索并不是在一开始就执行,而要等到遗传算法进化到一定的程度才执行。进化程度的度量标准引入文献[1]中的一种自适应策略,这种自适应策略定义为: 　　如果FVR(t)1,则执行混沌局部搜索,否则不执行混沌局部搜索。 　　2.3自适应混沌局部搜索策略的遗传算法的描述 　　本文研究的问题为连续变量的全局最小最优问题,这类问题可以描述为:f:S→R为n维实值函数。函数f在S域上全局最小化就是寻求点Xmin∈S,使得f(Xmin)在S域上全局最小,即?坌X∈S :f (Xmin)f(X)。 　　用遗传算法解决上述问题通常采用实数编码的具有精英保留选择机制的遗传算法[5]。本文遗传算法的交叉方式、选择方式和变异方式分别采用均匀算术交叉、锦标赛选择和高斯变异,这种遗传算法以下简称为RGA。根据上面的情况,ACLSGA的步骤为: 　　步骤1:初始化参数:种群规模NP,种群最大进化代数Gmax ,问题的维数D,输入变量的上界H和下界L。 　　步骤2:初始化种群: 　　 　　其中,rand为(0,1)的均匀分布的一个随机数。 　　步骤3:置进化代数G=1。 　　步骤4:执行一次RGA,找出适应度值最佳的个体Xbest,记Xbest的适应度值为Fbest。 　　步骤5:计算连续两代平均的适应度比值 ,若 ,则转步骤7,否则继续。 　　步骤6:执行2.1中的混沌局部搜索。 　　步骤7: ,如果GGmax,转步骤4;否则继续。 　　步骤8:输出Xbest和Fbest。 　　3 仿真实验 　　为检验ACLSGA的有效性,从文献[6]中选择2个基准的全局最小化函数来进行评价,两个测试函数如下: 　　上述函数中,f1为单峰独立函数,f2为多峰独立函数,2个函数的全局最小值都为0。 　　下面,对ACLSGA和RGA进行比较。实验环境为Matlab中,种群规模NP =50,种群最大进化代数Gmax=1500,混沌控制参数?琢=0.9、?茁=2.0,混沌搜索次数M=25。以20次实验的最大最优值、最小最优值、平均值、标准差作为比较的评价标准,得到的寻优结果如表1所示。 　　从表2中可以看出,2个函数对应性能指标ACLSGA都比RGA要好。 　　为了更好地比较两种算法总的寻优结果,20次实验每代平均的收敛结果如图1和图2所示。图中,纵坐标为误差函数|f(x)- f(x )|的对数值(误差函数中,f(x )为全局最优值,f(x)为算法找到的最优值),横坐标为进化代数,蓝色实线、红色实线分别表示RGA、ACLSGA的收敛曲线。从收敛曲线图上可以看出,ACLSGA的收敛速度比RGA