进化优化算法概述.docxVIP

第一章进化优化算法概述 1.1进化算法的一般框架 自1960年以来，进化算法已经发展出相当多的种类，但一般认为进化算法 有5个基本组成部分⑻： 1.问题解的遗传表示。 2?种群的初始化方法。 根据个体适应度对其进行优劣判定的评价函数。 产生新的种群的进化算子 算法的参数取值 1.1.1进化优化算法解决对象的描述 进化算法主要是求解优化问题，其数学模型如下： Maximize y=f (x) (1.1) Subject to g(x)=( g1(x), g2(x)，,， gm(x)^0 ( 1.2) 其中x=( X1，X2，,， Xn) ? X，x是决策向量，X是决策向量形成的决策空间； y是决策目标。这是个最大化冋题，对于最小化冋题可以令 y =Gf(x)转化为最 大化问题，因此，它们在本质上是一致的。 根据优化函数f(x)是否连续可以将最优化问题分为二大类：连续函数的最 优化与离散函数的最优化。后者也可以称为组合优化问题。根据是否包含约束条 件(1.2 )可分为约束优化问题和无约束优化问题。此外，若 y是一个决策向量， 则是一个多目标的优化问题，我们将在第二章进一步讨论。 1.1.2进化优化算法结构 进化算法的一般结构如图1.1所示，进化算法维持由一群个体组成的种群 P(t) (t为进化代数)。每个个体代表问题的一个潜在解。每个个体通过目标函数评价 得到适应度并根据优胜劣汰的原则进行选择。被选择的个体经历遗传操作产生新 的个体,主要有两种遗传操作：杂交是将多个个体的有关部分组合起来形成新的 个体，变异是将一个个体改变而获得新的个体。新产生的个体(子代)继续被评 价优劣。从父代种群和子代种群中选择比较优秀的个体形成新的种群。 在若干代 后，算法收敛到一个最优个体，该个体很有可能代表问题的最优或次优解。 图1.1进化算法流程图 1.1.3进化算法几个环节的解释 遗传编码：如何将问题的解编码成染色体是进化算法使用中的关键问题，目 前的编码方式主要有二进制编码 ⑷、Gray编码、实数编码、字符编码等，对于更 复杂的问题，用合适自然的数据结构来表示染色体的等位基因， 可以有效抓住问 题的本质，但总的来说，完整的遗传编码理论尚未建立，部分文献 ［5~7］的讨论都 有都有一定的局限性。 繁殖算子：模拟生物物种的繁衍过程和遗传变异机制， 主要有两种算子：交 叉算子和变异算子，这主要考虑平衡算法的勘探 （explorati on）能力（勘探出新 的解空间）和开发（exploitation） 能力（积累所搜索的信息）［8~10］，在最早的进 化策略和进化规划两类进化算法中， 并没有交叉算子。已形成许多对包括各种交 叉算子之间［11~18］（单点、两点、多点、均匀、算术等）、各种变异算子之间［18~19］ （均匀、正态、非一致等）及交叉和变异算子之间 ［18~29］的选取原则，但这些原 则主要还是基于经验或部分经验的，严格理论刻画还是较少。 选择算子：对生物的优胜劣汰的模拟，已有文献［2］对选择算子进行科学的归 类并指出了各自的优缺点。 1. 2进化优化的研究动态 进化算法发展至今，已成为一门庞大的学科，一方面，进化算法在原来三个 并行的框架下， 对各自的进化参数 （包括交叉、 变异、选择、种群规模、 自适应、 收敛性、复杂度、进化机制等）进行深入研究；另一方面，进化算法框架下的三 类算法积极吸收对方的方法， 相互渗透， 有一种融合的趋势； 进化计算还吸收其 它高性能计算的新成果、 新思想（如与文化进化、 神经网络、 群智能、模糊计算、 免疫计算、分子计算、量子计算等相结合） ，从而拓展了进化算法的内容，有些 新算法甚至跳出原来三类算法的标准内容而成为与其并行的算法群。 但纵观这些 进化算法的发展，可以发现它们在利用进化论思想和立足于主要解决优化问题这 两个方面没有变，我们称之为进化优化算法，进化优化以遗传算法、进化策略、 进化规划和优化理论为基础但不局限于此， 积极吸收计算智能和仿生学的思想和 理论成果， 发展一系列高性能的优化算法。 由于进化优化的迅猛发展， 要对其进 行综述是一件困难的事，一些好的综述都是大致在 20 世纪九十年代左右发表的 [8] [12] [21] [31~35] 。在最近的几年，据作者所知，很少出现进化优化的综述，有些资 深的研究者最近发表的综述性文章 [36~38] ，也仅仅是对自己感兴趣的几个热点进 行评述。而国内期刊上发表的几篇的综述 [39~41]则仅仅是对遗传算法或进化算法 的简单介绍，基本上是国外 20 世纪 90 年代初的研究成果。 基于此，本节对最近特别是 21 世纪这几年进化优化的发展做一个述评，有 时为了保持完整性会追溯到上世纪 80，90年代的论文。 做这个评述的目的有二： 充分了解进化优化的发展