遗传算法的优化原理及应用.docxVIP

遗传算法的优化原理及应用 遗传算法方法（ga）是模拟自然界生物进化过程和机制以解决极端问题的一种自组织和适应性人工智能技术。它是模拟达尔文的遗传在选择和自然淘汰的生物进化过程的计算模型。由于它具有良好的并行性,不受搜索空间是否连续、可微的限制,能够处理传统优化方法难以解决的复杂问题,具有极高的鲁棒性和通用性而广泛应用于生产调度、工程设计、自动化控制等领域。 尽管遗传算法有许多优点,但在实际使用中仍然存在许多不足和问题,主要表现为遗传算法的“早熟”现象,即很快收敛到局部最优解而不是全局最优解;遗传算法的搜索结果是在最优值附近摆动,而不能达到最优值。 1 改进方法 1.1 选择问题:是提出了上世纪20 传统的二进制编码存在解码技术问题,更为重要的是二进制编码还存在计算精度与计算速度之间两难选择的问题。十进制浮点数编码可以避免数制的转换、提高计算精度和速度。在多参数优化的问题中为了计算精度和使用方便,通常采用十进制浮点数编码。假设有n个待寻优变量,则n个寻优变量范围内的十进制浮点数排列在一起成为一个个体。如: x=x1,x2,?,xn.x=x1,x2,?,xn. 1.2 随机搜索法算法 大量地研究表明交叉过程的成熟化效应使得在经过若干代进化后种群的多样度逐渐趋于零,从而导致过早收敛。为了避免陷入局部最优解,必须拓宽搜索空间,增加群体多样性。交叉和变异是对扩大解空间造成新区的有效方法,高交叉率会使体原有的高质量个体淘汰速度高于其产生高质量个体的速度,难以达到进化(优化)的效果,但交叉率低又会使搜索过程停滞不前。突变率低则扩大算法搜索解空间的效率低,突变率高则可能破坏优质个体多,使整个算法趋于随机搜索, 从而使算法丧失模拟进化的仿生实质,缺乏有向性。上面的各个分寸如何确定,因具体问题而异,另外亦需要经验,到目前为止还无明确的计算公式。保持种群多样性的确可以对算法的全局收敛性能进行改善,但这样做究竟对全局收敛性有多大贡献无从考量,片面地强调多样性有时不仅不能防止早敛的发生,还会对算法的稳定性、种群的整体收敛性造成很大影响。 随机试验法,又称为Monte-Carlo法、统计试验法,其特点是占用内存少,并且有较好的概率统计特性。在不改变交叉率和变异率的同时,利用随机试验法以防止局部收敛,即当算法在连续n代的最优个体都无任何变化时,表明算法陷入了局部极值,需要采取措施使其跳出局部极值的束缚。这时,就对群体进行随机试验操作,对进化过程中的种群施加一较大扰动,使其脱离局部最优点,开始新的搜索。具体操作为:只保留最优值,重新生成其余个体。采用随机试验操作并非使种群退化,而是尽快摆脱进化迟钝状态,开始新搜索。 1.3 基于马尔科夫链的定量算法,采用最优保留的机制,保证算法具有全局收敛性,但如果算法具有全局收敛性,则一般在10 传统的基于模式定理的对全局收敛性的定性分析认为遗传算法是全局收敛的,最近基于马尔科夫链的定量的数学证明认为简单遗传算法不是全局收敛的,而带最优保存的遗传算法是全局收敛的。采用最优保留的机制,以保证算法具有全局收敛性。即用父代的最优个体来替换子代中最差个体。 1.4 优解周边搜索的控制 在算搜索法的早期,应扩大搜索范围,以便快速的到最优解附近;而在后期应缩小搜索范围,以防止搜索结果在最优值附近摆动。作者采用自适应的搜索范围进行求解最优值,即随着算法进行到一定阶段,搜索范围随之改变。 2 求解过程中的个体数据的预处理 改进的遗传算法步骤为: 1)初始化,即输入待求解问题的各种数据及控制参数如种群规模、杂交概率、变异概率及终止进化规则; 2)确定染色体编码方案(采用十进制浮点数编码),随机产生初始群体; 3)求解出每个染色体的适应值; 4)模仿“适者生存,不适者淘汰”的自然规律进行竞争选择,为了编程方便,本文采用将最优的m个个体替换最差的m个个体以形成新的种群; 5)判断是否改变搜索范围,是则进行,否则不改变搜索范围; 6)根据杂交概率、变异概率独立地对解群中的个体进行交叉和变异操作; 7)保留父代最优个体,产生新的种群; 8)若解群已满足预设的进化终止准则,则停止,否则进行下一步; 9)若算法陷入局部收敛,则进行随机试验法,然后返回第3步;否则直接返回第3步。 利用改进的遗传算法的程序流程框图如图1所示: 3 改进的遗传计算方法的性能分析 1 x2 算例1:求最大值,F1(x)=x+10sin(5x)+7cos(4x),x∈; 算例2:求最大值,F2(x)=exp(-0.001x) cos2(0.8x),x∈. 两函数图像如图2、图3所示: 从图2、图3中可以看出两函数有多个极值点,极易陷入局部最优解。 2 两种算法的比较 改进后算法的参数为:种群规模为80,交叉率为0.95,变异率为0.08,最大进化代数为100。为了便于比较,G