差分遗传算法收敛性的研究.docVIP

差分遗传算法收敛性的研究 　　摘要：传统遗传算法全局搜索性能的不确定性和随机性，对种群的局部多样性造成影响，容易产生早熟收敛等问题。将差分思想应用到遗传算法中进行全局寻优，并通过测试函数将其与传统遗传算法的收敛性进行分析。结果表明，差分进化遗传算法降低了传统算法的时间复杂度和搜索的盲目性，并在一定程度上提高了种群的收敛速度和多样性。 　　关键词：遗传算法；差分遗传算法；差分进化 　　DOIDOI：10.11907/rjdk.161860 　　中图分类号：TP312 　　文献标识码：A文章编号2016）010002603 　　0引言 　　遗传算法（Genetic Algorithm，GA）由美国教授Holland于1975年根据生物进化过程和遗传机制基本知识而提出，是建立在随机选择和遗传学基础上的并行寻优算法[1]。遗传算法虽具有很好的全局搜索能力，但同时也存在一些自身的局限性。初始种群是随机生成的，寻优方向不确定且不断发生变化，复杂度较大，存在局部收敛造成的“早熟”现象[2]，致使输出的局部最优解并非全局最优，只能作为问题的近似局部最优解，给实际应用问题带来很大不足。本文引入差分思想，在传统遗传算法的基础上进行改进，通过交叉率、缩放因子和种群规模大小3个控制参数来实现，在生成初始种群后采用差分思想进行变异、交叉操作，产生试验个体，在父代个体与试验个体之间根据适应度大小进行排序，保留适应度较高的个体，实现种群的进化。差分进化算法原理简单、易于理解和实现，本文通过实验表明其运行结果可靠、鲁棒性强、收敛速度快，能更好地保持群体的多样性，同时具有更高的全局寻优能力，可在很多领域得到广泛应用。 　　1基本差分进化遗传算法 　　1.1差分进化算法 　　差分进化算法[3]（Differential Evolution Algorithm，DE）是1996年由Rainer Storn等提出，正如其它演化算法，差分算法是一种基于实数编码的、随机的，基于群体差异的并行直接搜索算法，它可对非线性的不可微连续空间函数进行最小化。从整体来看，它与遗传算法有很大的相似之处，同样差分算法也存在着变异、交叉和选择操作，但是它又不同于遗传算法。 　　与传统进化算法相比，差分进化算法保留了基于种群的全局搜索策略和实数编码，变异操作是个体算术组合的结果，并使用一对一的替换方式，只有在子代个体优于父代个体时才进行替换，很大程度上降低了遗传操作的复杂性。 　　1.2差分进化算法基本思想 　　差分进化算法的基本思想[4]是根据父代个体间的差分向量执行变异、交叉和选择操作，是从某一随机产生的初始种群开始，在初始种群中选取任意两个个体的差向量作为一个基本个体，选择出的其余个体为参照个体，将差向量加权后按照一定的规则与第三个个体求和产生变异个体，接着按一定的概率，变异个体与某个预先确定的目标个体之间进行交叉操作，生成一个试验个体。如果试验个体的适应度值大于与之相比较的目标个体的适应度值，则在下一代中就用该试验个体取代目标个体；否则，保存目标个体。在每一代的进化过程中，每一个体向量作为目标个体一次，通过反复地迭代进行，保留优良个体，引导搜索过程逼近全局最优解，实现种群进化[5]，如图1所示。 　　2差分算法基本操作 　　差分进化算法的主要步骤与其它进化算法基本一致，主要包括变异（Mutation）、交叉（Crossover）、选择（Selection）3种操作。与传统遗传算法不同的是操作的执行顺序，差分算法先进行变异操作，然后利用变异个体与父代进行交叉操作，最后执行选择操作，选择出适应度高的个体作为新一代个体[6]。 　　种群初始化：设种群规模M，在n维空间中，随机生成初始种群Xi.（0）以及初始种群的第i个个体的第j个基因Xij（0）分别表示如下： 　　3差分算法与传统遗传算法收敛性对比 　　为了对差分进化遗传算法的性能进行定性评价[8]，选择典型的Benchmarks函数，对差分进化算法和传统遗传算法的收敛性进行对比。本文选择典型的Sphere函数和Rosenbrock函数，通过对差分进化遗传算法和传统遗传算法的进化代数和适应度函数值之间的对应函数关系进行分析对比[910]。结果表明，在同样的环境条件下，差分进化遗传算法在适应度值收敛于0时，进化代数明显要少于传统遗传算法，并且程序的运行时间也相应缩短。 　　图2和图3是差分进化算法与遗传算法分别在Sphere和Rosenbrock函数下的函数值与种群的迭代数进化曲线。在种群个体数M=100，每个个体编码的维度n=25的情况下，设定最大迭代数初始值t-max=3 000，交叉因子η=0.3，交叉率k=0.7，可以看出，差分进化算法的收敛速度迅速，进化初期函数值变化幅