改进的遗传算法在加速寿命试验设计中的应用[精品资料].docVIP

改进的遗传算法在加速寿命试验设计中的应用-精品资料 本文档格式为WORD,感谢你的阅读。 【 】为了提高遗传算法的搜索效率和收敛速度， 木文给出了一种新的改进的遗传算法。该算法采用对群的优化 来保持种群的多样性，保留历史最优个体并定期替换最优个体 从而使得个体优化，对交叉概率和变异概率采用自适应的概率 进行优化。通过对目标函数的测试表明，将改进遗传算法与基 本遗传算法相比较，在函数最优值，平均收敛代数方面取得了 令人满意的效果。 【关键词】收敛速度；收敛代数；遗传算法 Abstract： In order to improve the search efficiency and convergence speed of genetic algorithm, A new improved genetic algorithm is presented. The algorithm adopts the optimization of group to keep the diversity of population, it also keep the history optimal individual and regularly replace the best individual so as to make the individual optimization, it were optimized by the probability of adaptive to change the crossover probability and mutation probability. Based on the objective function tests, the improved genetic algorithm is compared with basic genetic algorithm, it has achieved satisfactory effect in the optimal value of the function and average convergence algebra. Keywords： convergence speed； convergence algebra； Genetic Algorithms 引言 遗传算法(Genetic Algorithms,简称GA)是一种借 鉴生物界自然选择(Natural Selection)和自然遗传机制的 随机搜索算法(Random Searching Algorithms)。大自然生 物进化过程的规律是“物竞天择，适者生存”。GA由美国 Michigan大学的Holland教授于1975年首先提出，后经 Dejong、GoldBerg等人改进推广，广泛应用于各类问题。它 是一种模拟自然界生物进化过程与机制的全局概率优化搜索方 法。它的缺陷是收敛速度慢、计算时间较长、容易出现过早收 敛等。为便于应用，本文对遗传算法加以改进，提出了一种新 的遗传算法。 周瑞芬［1］从保留历史最优个体、定期替换当前最优个 体、定期进行轴向搜索局部求精3个方面进行了改进，加大了 种群的多样性，但是会出现快速收敛的现象。田东平［2］，窦 明鑫、刘晓霞［3］提出了一种基于群体适应度值商的自适应遗 传算法，避免了早熟收敛，能有效的提高全局寻优的性能，但 是种群的多样性难以得到保证。白建勋，杨洪耕，吴传来，唐 山［4］对交叉概率和变异概率进行了设计，在保证遗传算法良 好的全局性和随机性的同时，避免了早熟收敛和收敛过慢。朱 朝艳，郭鹏飞，张旭［5］针对遗传算法的特点，给出了遗传算 法的改进方法，并进行了较系统的分析和评述。朱钰、韩昌佩 ［6］，段宏斌，韩琳［7］提出了一种基于交叉概率和变异概率的 自适应遗传算法，达到扩大搜索空间，稳定群体中个体多样性 的目的。袁慧梅、郭喜庆［8］，谷峰、吴勇、唐俊［9］提山了适 合自然规律的竞争选择法，设计出与迭代次数成反比、与父串 间的距离成正比的自适应变异率。李爱军，崔雁松，王晓星 ［10］提山了同时包含两种算子的思想，有效的提高遗传算法的 收敛速度。李海民、吴成柯［11］，张国强、彭晓明［12］提出了 一种根据适应度值自动调整交叉概率和变异概率的新的自适应 遗传算法。本文针对种群多样性及收敛速度，提出了新的遗传 算法，提高优化性能。 遗传算法的改进 2. 1改进的方法 本文从种群的优化、保留历史最优个体并定期替换最优 个体、对交叉概率和变异概率的优化这三个方便进行优化。 2.1.1种群的优化 初始种群的生成在进化迭代之前执行，对算法的优化速 度没有影响。而初始种群的状态会直接影响后续进化迭代的质 量。在基础GA中，初始种群在解空间中