实数自适应并行遗传算法研究.docVIP

实数自适应并行遗传算法研究 　　摘要：针对遗传算法中的早收敛现象，提出了一种实数自适应并行遗传算法（real adaptive parallel genetic algorithm，RAPGA）。该算法采用了一种并行遗传进化结构，并将自适应交叉、变异算子引入到本算法中，增强和保持了种群的多样性。最后，通过与其他经典优化遗传算法进行比较显示，RAPGA对多个标准测试函数均表现出较好的搜索性能。 　　关键词：并行; 遗传算法; 实数; 自适应 　　中图分类号：TP301.6文献标志码：A 　　文章编号：1001－3695(2008)06－1687－03 　　 　　0引言?? 　　 　　遗传算法是一类借鉴自然选择和自然遗传机制的随机优化搜索算法。它以进化论和基因遗传学说为基础，模拟了生物进化过程，通过选择、交叉、变异操作能迅速排除与最优解相差极大的个体，使种群中的优质个体比例逐渐增加，最终使整个种群收敛到最优解。该算法因其在解决各类非线性问题时表现出的鲁棒性、全局最优性、可并行性及高效率受到众多学者的关注，已被广泛应用于机器学习、人工智能、复杂组合优化、自适应控制、人工神经网络权值的训练等各种智能领域。然而遗传算法容易出现早收敛和收敛速度慢的缺点。为此许多学者对遗传算法进行了改进。改进的方式有传统遗传算子的改进和引入混合遗传算子。 　　?ジ慕?传统遗传算子主要是通过改善选择算子、交叉算子或变异算子增强遗传算法的性能。最早研究的遗传算法是简单遗传算法（SGA）。其算法思路直观、操作简单，但其收敛速度慢且受参数选择的影响。针对SGA的缺点，文献[1] 改进了选择算子，提出种群替换法，在父代中挑选出一个与新个体最相似的个体进行替换，保持了种群的多样性。文献[2]提出了自适应遗传算法（AGA），对交叉算子和变异算子进行了改进。AGA将交叉概率、变异概率和适应度值联系起来，随着种群平均适应度的改变而自适应调节交叉突变概率，能更好地保持种群的多样性，保存优良个体，但没有考虑到更好地增加种群的多样性。 　　?チ硪恢址绞绞墙?遗传算子与其他一些优秀的算法结合，称为混合遗传算子。例如，将贪婪算法和遗传算法相结合用于旅行商问题；将模拟退火算法和遗传算法相结合用于避免遗传算法早熟等。 　　?ケ疚奶岢隽艘恢中碌氖凳?并行自适应遗传算法（RAPGA），独特的并行结构和改进（μ+λ）选择算子能够有效地防止局部早收敛，增强全局搜索能力。实验结果表明，RAPGA对各种复杂基准函数都可以保证以很快的速度收敛到全局最优值，优化效果明显优于其他遗传算法。 　　 　　??1实数自适应并行遗传算法(RAPGA)?? 　　 　　1．1算法描述?? 　　为了提高算法的运算速度，RAPGA采用实数的表示方式，避免了二进制表示方式开销太大的缺点。 　　?ニ惴ㄔ诮峁股喜捎昧艘恢中滦偷牟⑿幸糯?结构，不同于以往的异步遗传结构。如果采用先交叉后变异的异步遗传结构，进化初期交叉作用产生的优质个体在变异中可能被破坏，从而影响种群的进化速度；进化末期也可能因此影响搜索结果的精度。为此本文提出并行遗传结构，同代中交叉运算和变异运算互不相关，两个算子并行处理。这种并行操作结构的优点在于能够让交叉、变异作用产生的优质个体无损坏地进入下一代，避免了种群在进化过程中受到不当因素的干扰而丢失。同时，RAPGA也对遗传算子进行了改进，选择采用改进（μ+λ）选择算子。计算交叉概率时引入海明距离，变异时根据种群的进化程度不断收缩算子的扰动范围，提高了全局搜索的效率。?? 　　1．2改进的遗传算子 　　1．2．1改进（μ+λ）选择算子?? 　　RAPGA采用改进（μ+λ）选择算子进行选择运算，增强了种群的多样性。先复制父代，将父代备份分别进行交叉和变异，然后在父代和得到的新种群中选择适应度最好的个体组成新的父代。 　　?? 常见的依概率选择法（如轮盘选择法、期望值法）由于模仿了适者生存，不适应者淘汰的自然法则被普遍应用于遗传算法中。然而，种群规模的有限性使得依概率选择法在算法初期容易出现局部顶端优势，即种群中的超级个体会因为适应度远大于其他个体而被大量选择。这样造成了下一代大多来源于同一个体，种群的多样性遭到了破坏，所谓高度并行性的优势也就不存在了。 　　?ジ慕?（μ+λ）选择算子采取了父代和子代共同参与竞争的方式 。父代和两个子代经过选择后，优质个体每代繁殖的次数不超过3，不少于1，降低了选择压力，有效地防止了初期局部顶端优势现象的发生。 　　??1．2．2自适应交叉算子?? 　　RAPGA在交叉过程中采用了离散位交叉方式，并在AGA[3]的交叉概率公式的基础上引入海明距离参数，使交叉概率根据交叉个体的不同而变化。此算子避免了近亲繁殖，提高了交叉算子的效率，有利