遗传算法基本原理及改进-Read.DOCVIP

遗传算法基本原理及改进 编码方法： 1、二进制编码方法 2、格雷码编码方法 3、浮点数编码方法。个体长度等于决策变量长度 4、多参数级联编码。一般常见的优化问题中往往含有多个决策变量，对这种还有多个变量的个体进行编码的方法就成为多参数编码方法。多参数编码的一种最常用和最基本的方法是：将各个参数分别以某种方式进行编码，然后再将它们的编码按照一定顺序连接在一起就组成了标识全部参数的个体编码。 5、多参数交叉编码：思想是将各个参数中起主要作用的码位集中在一起，这样他们就不易于被遗传算子破坏掉。在进行多参数交叉编码时，可先对各个参数进行编码；然后去各个参数编码串的最高位连接在一起，以他们作为个体编码串前N位编码，同上依次排列之。 选择操作的改进： 序 号 名 称 特 点 １ 轮盘赌选择 选择误差较大 ２ 随机竞争选择 类似轮盘选择，但是每次选两个，选其中适应度值好的一个。 ３ 最佳保留选择 按照轮盘选择，但是首先保留最佳适应度个体。 保证迭代终止结果为历代最高适应度个体 ４ 无放回随机选择 降低选择误差，复制数小于f/(f+1)，操作不方便 ５ 确定性选择 选择误差更小，操作简易 ６ 柔性分段复制 有效防止基因缺失，但需要选择参数 ７ 自适应柔性分段是动态群体选择 群体自适应变化，提高搜索效率 ８ 无放回式余树随机选择 误差最小 ９ 均匀排序 与适应度大小差异程度正负无关 10 稳态复制 保留父代中一些高适应度的串 11 随机联赛选择 12 复制评价 13 最优保存策略 全局收敛，提高搜索效率，但不宜于非线性强的问题 14 排挤选择 提高群体的多样性 15 最优保存策略 保证全局收敛 改进遗传算法的方法： （1）改进遗传算法的组成成分或实用技术，如选用优化控制参数、适合问题的编码技术等。 （2）采用动态自适应技术，在进化过程中调整算法控制参数和编码精度。 （3）采用混合遗传算法 （4）采用并行算法 （5）采用非标准的遗传操作算子 改进的遗传算法： （1）分层遗传算法 （2）CHC算法 （3）messy遗传算法； （4）自实用遗传算法（Adaptive Genetic Algorithm） （5）基于小生境技术的遗传算法（Niched Genetic Algorithm，简称NGA）。 （6）并行遗传算法（Parallel Genetic Algorithm） （7）混合遗传算法：遗传算法与最速下降法相结合的混合遗传算法；遗传算法与模拟退火算法相结合的混合遗传算法。 解决标准遗传算法早熟收敛和后期搜索迟钝的方案 （1）变异和交叉算子的改进和协调采用 将进化过程划分为渐进和突变两个不同阶段 采用动态变异 运用正交设计或均匀设计方法设计新的交叉和变异算子 （2）采用局部搜索算法解决局部搜索能力差的问题 （3）采用有条件的替代父代的方法，解决单一的群体更新方式难以兼顾多样性和收敛性的问题 （4）收敛速度慢的解决方法； 产生好的初始群体 利用小生境技术 使用移民技术 采用自适应算子 采用与局部搜索算法相结合的混合遗传算法 对算法的参数编码采用动态模糊控制 进行未成熟收敛判断