遗传算法的改进及其应用.docxVIP

遗传算法的改进及其应用 随着1975年新泽西州的horand教授首次提出了遗传计算方法（ga）。它源于达尔文的进化论、孟德尔的群体遗传学说和魏茨曼的物种选择学说;其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。从公开发表的论文看, 我国首先开始研究应用遗传算法的有赵改善和华中理工大学的师汉民等人。遗传算法最早应用于一维地震波形反演中, 其特点是处理的对象是参数的编码集而不是问题参数本身, 搜索过程既不受优化函数联系性的约束, 也不要求优化函数可导, 具有较好的全局搜索能力;算法的基本思想简单, 运行方式和实现步骤规范, 具有全局并行搜索、简单通用、鲁棒性强等优点, 但其局部搜索能力差, 容易出现早熟现象。 自1985年起, 国际遗传算法会议每两年召开一次, 在欧洲, 从1990年开始每隔一年也举办一次类似的会议。1993年, 国际上第一本以遗传算法和进化计算为核心内容的学术期刊《Evolutionary Computation》 (进化计算) 在MIT创刊;1994年, 在美国奥兰多召开的IEEE World Congress on Computation Intelligence (IEEE全球计算智能大会) 上, 进化计算与模糊逻辑、神经网络一起统称为计算智能;1997年, 《IEEE Transactions on Evolutionary Computation》创刊。这些刊物及时全面地报道了近年来遗传算法的最新研究成果。目前, 与遗传算法有关的学术会议包括ICGA、PPSN、ICEC、ANNGA、EP、FOGA、COGANN、EC、GP、SEAL等。 1 遗传算法求解 遗传算法是模拟生物在自然环境中优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法。它是从代表问题可能潜在解集的一个种群开始, 首先将表现型映射到基因型即编码, 从而将解空间映射到编码空间, 每个编码对应问题的一个解, 称为染色体或个体。初始种群产生之后, 按照适者生存和优胜劣汰的原理, 逐代演化产生出越来越好的近似解。在每一代, 根据问题域中个体的适应度大小选择个体, 并借助自然遗传学的遗传算子进行组合交叉和变异, 产生出代表新的解集的种群。这个过程使种群像自然进化一样, 后代种群比前代更加适应于环境, 末代种群中的最优个体经过解码可以作为问题近似最优解。利用遗传算法求解问题的流程如图1所示。 a) 建立数学模型。 b) 编码, 即用设计好的算法将表现型映射到个体基因型。 c) 解码, 遗传算子只对编码后的染色体起作用, 由个体表现型计算目标函数值后就可以判断染色体的优劣。 d) 确定适应度转换规则, 染色体所对应的解空间的值可能相差很大, 需要一定的转换使其适合定量评估个体的优劣。 e) 设计遗传算子, 即设计交叉、变异和选择算子等。遗传算子与待优化问题、染色体的编码方案有很大的关系。 f) 确定运行参数, 运行参数包括交叉概率、变异概率和种群数目等。遗传算法本身的参数还缺乏定量的标准, 目前采用的多是经验数值, 并且遗传参数的选取与编码和遗传算子的设计有很大关系。 2 基于遗传算法的改进 目前在遗传算法的应用中, 最突出的问题是局部搜索能力差和容易出现早熟现象。近年来, 众多学者围绕这两个核心问题发表了大量有价值的学术论文[7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31], 从各方面对遗传算法进行了改进。 2.1 增加了算法的全局搜索能力 在遗传算子方面, Pan等人提出自适应变异算子, 使得变异能够根据解的质量自适应地调整搜索区域, 较明显地提高了搜索能力。Louis等人根据个体之间的海明距离进行非均匀的交叉和变异, 在保持群体多样性的同时还防止了早熟。夏虎等人提出了一种考虑环境作用的协同免疫遗传算法, 在该算法中, 设计了克隆环境演化算子和自适应探索算子, 并构造了三个子种群协同进化来发挥克隆环境演化算子的作用, 从而提高了算法的全局搜索能力。蔡良伟等人提出一种改进的交叉操作, 根据种群的多样性和个体的相关性选择不同的交叉策略以减少无效的交叉操作, 从而提高了交叉操作的效率并改善了算法的收敛性能。江雷等人提出的基于并行遗传算法求解TSP, 对遗传算法的杂交算子进行改进, 探讨了使用弹性策略来维持群体的多样性, 使得算法跨过局部收敛的障碍, 向全局最优解方向进化。Whitley等人提出了自适应和有指导的变异, 这种方法对改进遗传算法的性能起了一定的作用。 2.2 基于新的变异算子多种群 一些学者提出了基于多种群的遗传算法, 将一个大的种群分成多个小的种群, 每个小种群独立地进行进化, 进化