改进自适应遗传算法性能分析.docVIP

改进自适应遗传算法性能分析 　　摘要：遗传算法存在未成熟收敛和收敛速度慢等不足之处，传统的自适应遗传算法虽能有效提高算法的收敛速度，却难以增强算法的鲁棒性。文中提出的改进的自适应遗传算法，提高了其搜索能力，具有更快的收敛速度和更可靠的稳定性，达到了预期的效果。关键词：遗传算法；自适应；收敛；改进；性能 　　中图分类号: TP18文献标识码：A文章编号：1009-3044(2012)21-5202-04 　　遗传算法(Genetic Algorithm，以下简称GA)[1]是一种模仿生物群体进化的随机优化算法，它是由美国密歇根大学J.H.Holland教授创立的。标准的遗传算法(Standard GA，以下简称SGA)往往存在一定的不足之处，比如容易出现早熟以及过慢的收敛速度等不良现象。鉴于此，Srinvas等提出了自适应遗传算法(Adaptive GA，以下简称AGA)[4]，在GA中应用自适应调整交叉率和变异率，结果证明，这种算法在GA的收敛速度方面能够较好的改进。不过，AGA在演化初期存在停滞现象，故将自适应调整交叉率和变异率的方法用于GA以提高算法收敛速度和鲁棒性仍十分具有挑战性[6]。文献[3]提出一种改进的自适应遗传算法，在一定程度上提高算法的计算速度和收敛速度。但因为它们计算所得到的变异概率Pm及交叉概率Pc具有不良的稳定性，同时该算法对整体协作能力存在不足。 　　为此，该文提出一种新的改进遗传算法，改进后的算法效果良好，在算法的收敛速度以及全局搜索性能等方面都具备良好的效果。 　　公式中：?max是指群体的最大适应度；?avg是指群体的适应度平均值；?’是指杂交双方适应度大者的适应度；?是指个体的适应度；0k1,k2,k3,k4=1且均为常数。 　　这种算法可以根据每代个体适应度的改变来自适应地改变Pm和Pc，在保护最优个体的同时，加快了较差个体的淘汰速度。该算法在一定程度上可以改善遗传算法的性能。但该算法也存在不容易跳出局部最优解，因为该算法是以个体为单位改变Pm和Pc，缺乏对整体的协作精神。同时，由于该算法对每个个体都要分别计算Pm和Pc，这样会影响程序的执行效率，也不利于硬件的实现。1.2文献[3]提出的自适应遗传算法(本文中简称IAGA) 　　针对M.Srinivas所提出的算法的缺点，文献[3]提出一种改进的自适应遗传算法。其通过判断适应度集中程度的情况，对整个群体的Pm以及Pc进行自适应地变化调整，同时将群体适应度的集中程度用三个变量来衡量，即：适应度平均值、群体的最大适应度、最小适应度。文献[3]提出的算法在一定程度上可以提高算法的计算速度和收敛速度。但因为它们计算所得到的变异概率Pm及交叉概率Pc具有不良的稳定性。尤其在遇到峰值密度较高的多峰值函数时，更容易出现得到概率较大的结果的现象。同时，该算法在一定程度上也是缺乏对算法的整体协作能力。 　　整体把控能力等方面都存在一定的不足之处。为此，本文在基于上述自适应遗传算法的基础上，提出一种新的自适应遗传算法，以改进其在上述所存在的不足。 　　2.1与进化代数有关的杂交概率的改进介绍 　　杂交算子的主要目的是用来产生新个体，同时也是为了让算法具备全局搜索的能力。因此，当我们以种群中的个体来观察时，如果杂交的概率偏大，群体中的优良模式就会被破坏；而如果杂交的概率偏小时，对于新个体的产生速度又会变得缓慢。在这里可以看出，与个体适应度有关的杂交概率的算法是具有一定的优势的。当我们以种群整体进化的整个过程来观察时，杂交概率应该会一个稳定但会慢慢变小，最终会向某一个稳定值靠近的过程。当我们以新个体的产生方面来看，在杂交操作上，群体中所有的个体应该具有相同的地位，也就是概率是一样的，这样就可以使得遗传算法在搜索空间拥有每个方向的匀称性。文献[3，4]的交叉概率算法都只注意了个体的作用，而忽视了整个种群的进化趋势情况和各个体的变异机会。 　　在本文中，为了改善目前算法所存在的不足，设计了一种与适应度没有关系，只同进化代数有关的概率公式： 　　本公式可以达到交叉概率随着进化过程而逐渐变化，同时能够对同一代的种群中的个体给予一样的交叉能力。这样也可以更好的实现全局搜索能力，同时，算法的计算速度也可以得到极大的提高。相对文献[4]，该文的算法对劣质个体的处理显得相对薄弱,但可以通过下面的方法来进行弥补此缺陷。 　　2.2自适应变异概率的改进介绍 　　维持种群多样性是变异算子的主要用处，其主要是用来抑制早熟现象的出现以及产生新个体。但杂交算子则不同，其主要是在全局搜索中起作用。因此，就变异概率来说，应该是在同一种群中每个个体都是随着个体本身的好坏而发生变化。同时，变异概率的取值也是十分关键的。如果变异概率的取值偏小，就很容易导致抑制早熟现象以及