智能组卷系统中对遗传算法改进研究.docVIP

智能组卷系统中对遗传算法改进研究 　　摘要：本文提出一种改进的自适应遗传算法用于求解智能组卷优化问题。改进的算法通过使用混合熵来度量种群的多样性，并在交叉概率以及变异概率的确定方面做出了相应的改进，使之更有针对性地求解智能组卷优化问题。该算法的提出为求解智能组卷系统的数学模型提供了先进的技术手段。 　　关键词：遗传算法；智能组卷；优化；改进 　　中图分类号：O224 文献标识码：A文章编号：1007-9599 (2011)05-0000-02 　　Genetic Algorithm Improved Research in Intelligent Grouping System 　　Liang Haili 　　(Xingtai University,Xingtai054001,China) 　　Abstract:This paper presents an improved adaptive genetic algorithm for optimization problem solving intelligence test paper.Improved algorithm to measure the entropy of mixing through the use of population diversity,and in the crossover probability and mutation probability has made the determination of the corresponding improvement to make it more targeted Intelligent Grouping optimization problems solved.The proposed algorithm for solving the mathematical model of intelligent test system of providing advanced technological means. 　　Keywords:Genetic algorithm;Intelligent grouping;Optimization; 　　Improvement 　　标准遗传算法(Standard Genetic Algorithm-SGA)是由美国Michigan大学的J.Holland教授在模拟达尔文的遗传选择和自然淘汰生物进化过程的基础上于1975年首先提出的。 SGA采用固定的交叉概率pc和变异概率pm[1]，不能针对遗传算法运行的不同阶段适应性地做出自我调整以适应算法的进化。在1994年Srinivas教授提出了基于交叉概率pc和变异概率pm的自适应遗传算法被视为经典的自适应遗传算法(AGA)。AGA能够自动地调节pc和pm以使遗传算法能够较快收敛[2]。 　　标准的遗传算法以及自适应遗传算法均面临着算法过早收敛的问题，即早熟现象[3]。在没有搜索到问题的最优解之前或者仅搜索问题的局部最优解时算法就过早地停止，过早收敛是遗传算法及其变体最为突出的问题之一。在本文中将对遗传算法的这一问题进行解释，分析其发生的原因并给出改进措施，我们将改进的算法称为改进的自适应遗传算法(IAGA)。 　　随着种群的进化，优秀的个体不断地繁衍自己的后代而致使种群中的个体逐渐地在基因上趋于一至，从而使种群的多样性逐渐的减少，以至于最终收敛于0。在理论上，我们期望优秀的个体基因在下一代的繁衍中被保存，但是在真正的实际问题中，由于受到计算机硬件水平的限制，我们通常设置的初始种群规模有限，以至于在算法的运行过程中发生近亲繁殖的现象。在遗传算法中，交叉操作是获取下一代个体的一个重要操作，在种群规模足够大的前提下，交叉操作是可以搜索到问题的最优解的，然而对于小规模的种群而言，由于种群多样性的丧失，致使交叉操作的能力被不断的减弱以至于最终失去其功用。由以上的分析和阐述可知，种群多样性的丢失是遗传算法过早收敛的根本原因。 　　交叉操作在遗传算法中具有如下的两个功能：第一，能够繁殖下一代，即对问题空间展开搜索；第二，导致算法的收敛，或收敛到问题的全局最优解，或收敛到问题的局部最优解、亦或收敛到问题的非全局非局部最优解[4]。下面给出通过保持种群的多样性而防止算法过早收敛的改进措施，在此前我们首先应该可以准确地去度量当前种群的多样性。本文中，我们采用信息熵来度量遗传算法种群的多样性。经典Shannon熵的定义如下式(1)所示： 　　 ，(1) 　　其中，X为状态空间，对于 ， 表示 的概率分布。 　　对于当前的种群是具有不确定性的，因此为我们使用熵来度量种群的多样性提供了可能，那么这种