退火-遗传算法寻优和其实现.PDFVIP

退火 －遗传算法寻优及其实现 王　英 （焦作坚固水泥有限公司，河南焦作 ４５４０００） ［摘要］　分析了遗传算法及退火算法的优缺点，提出用退火算法改进遗传算法局部的最优值搜索效率低问 题。 退火算法与遗传算法融合后，使算法在寻优结果上更加迅速精确。 通过水泥的配比工程实例，与单纯的 遗传算法的结果进行对比，说明该方法是有效的。 ［关键词］　遗传算法；退火算法；遗传算法改进 ［中图分类号］　Ｆ４０３　［文献标识码］　Ａ　［文章编号］　１００９－１７４２（２００８）０７－００５７－０３ 度，而对数学方法依赖性不高。 1　前言 遗传算法较适合于传统搜索方法所不能解决的 随着计算机技术的发展，生物智能、人工智能、 复杂问题和非线性问题。 然而，实际应用中遗传算 计算智能间相互增强，构成了能力更为有效的智能 法存在编码、迭代次数、种群规模的限制，造成强选 技术，如把单一的计算方法相互融合构成复合的计 择性压力，导致遗传搜索过早收敛。 算方法，以避免其固有缺点，萃取各自优点的目的。 2．2　退火算法 遗传算法在仿真中有其通用性，对领域的依赖性 模拟退火算法［２］ 来源于固体退火原理。 用固 程度低，不受搜索空间限制性假设约束，不要求连续 体退火模拟组合优化问题，将内能E 模拟为目标函 性、可导或单峰等，被广泛应用，但同时存在收敛效率 数值，温度演化成控制参数t ，即得到解决组合优化 低、过早收敛等缺点，而退火算法正好以局部搜索能 问题的模拟退火算法：由初始解i 和控制参数初值t 力见长。 将退火算法与遗传算法融合，使算法得到改 开始，对当前解重复“产生新解 计算目标函数差 → 进，利用退火算法中局部搜索最优值的较好能力解决 →接受或舍弃”的迭代，并逐步衰减 t 值，算法终止 了遗传算法中局部搜索能力不佳带来的问题。 时的当前解即为所得近似最优解。 退火过程由冷却 进度表（ｃｏｏｌｉｎｇ ｓｃｈｅｄｕｌｅ）控制，包括控制参数的初 2　算法分析 值t 及其衰减因子 Δt、每个 t 值时的迭代次数 L 和 2．1　遗传算法的理论 停止条件q。 ［１］ 遗传算法 是一种借鉴生物界自然选择和自 3　遗传算法与退火算法融合 然遗传机制的高度并行、随机、自适应搜索算法。 它 是由复制、杂交和变异三种算子组成。 遗传算法的 通过遗传算法与退火算法的分析，把其各自的 优越性主要在搜索过程中不易陷入局部最优，求解 优良特性保留下来，得到改进的遗传算法即退火 － 过程不需要求导，由于它固有的并行性，遗传算法适 遗传算法。 过程如下： 用于大规模并行计算。 遗传算法中关键的算法靠复 Ｓｔｅｐ １　给定群体规模N －ｓｉｚｅ 和算法中其他 制、杂交和变异三种算子来完成，完全依赖于运算速 系数值，选择初温时的系数 T０ ，退温时系数 a ，交叉 ［收稿日期］　２００７－０２－２７；修回日期　２００７－１１－１１ ［作者简介］　王　英（１９６８－），女，河南温县人，焦作坚固水泥有限公司工程师，主要从事电气自动化