一种改进的实数自适应遗传算法.pdf

《一种改进的实数自适应遗传算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第卷第期控制与决策年月文章编号一种改进的实数自适应遗传算法潘伟刁华宗井元伟沈阳炮兵学院电子侦察系沈阳东北大学信息科学与工程学院沈阳摘要研究了基于实数编码的遗传算法的改进问题针对实数编码在搜索后期存在搜索效率低易早熟收敛等现象讨论了遗传算法的参数调节问题提出一种自适应交叉概率和变异概率既考虑了进化代数对算法的影响又考虑到每代不同个体适应度的作用给出一种改进的实数自适应遗传算法最后利用个测试函数对算法进行验证在函数的最终值平均运行代数收敛概率几方面都取得了较好的结果关键词自适应遗传算法实数编码交叉概率变异概率中图分类号文献标识码引言这在优化理论和神经网络应用中具有重要意义遗传

2、算法是模拟生物进化论的计算模型是一种有效的全局并行优化搜索工具具有简单通用尽管实数编码精度高适合于复杂大空间搜索鲁棒性强和适于并行分布处理的特点最初的遗传但易使遗传算法在搜索后期效率低下和未成熟收算法是基于二进制串的类似于生物染色体结构可敛因此遗传算法的各参数特别是交叉概率和变异概率的选择显得更加重要用生物遗传理论来解释各种遗传操作易于实现算交叉概率和变异概率法处理的模式多但是二进制编码不能直接反映问通常根据理论分析中参数的大致范围来选择或根题固有的结构特征个体长度大占用计算机内存据经验来确定某个实际问题的参数组合具有一定多数值优化时精度不高且稳定性不如实数编的盲目性码在

3、具体问题中直接采用解空间的形式进行编本文在群体规模确定的情况下设计出一种改码可在解的表现型上进行遗传操作从而引入特定进的实数自适应遗传算法算法中提出的自适应交领域的启发式信息取得比二进制编码更高的效率叉概率和变异概率既考虑到进化代数对算法的影收稿日期修回日期基金项目国家自然科学基金项目教育部高等学校博士学科点专项科研基金项目作者简介潘伟男哈尔滨人讲师博士从事非线性系统的鲁棒控制遗传算法应用等研究井元伟男辽宁西丰人教授博士生导师从事复杂系统的对称性相似性及稳定性等研究第期潘伟等一种改进的实数自适应遗传算法响又考虑到每代中不同个体适应度对算法的作用其中和分别为变异前和变异后的

4、个体这两个重要参数可随算法进化的需要自动调整以的概率取值以的实数自适应遗传操作概率取值本文设为各代群体中个体最遗传算法中的编码策略和遗传操作对算法起到大值与最小值之差至关重要的作用也是实数遗传算法与二进制遗传算法区别最大之处下面对编码策略和遗传操作分交叉概率和变异概率的自适应确定首先说明以下各量的意义为交叉概率别加以介绍为变异概率为当前个体适应度值为当前群编码策略实数编码与二进制编码的方法相似体中最大个体适应度值为当前群体平均适应度只是每值个基因有共种可能取值若每个变量用位交叉概率的自适应确定十进制数表示变量个数为则染色体长度为交叉算子主要用来产生新个体实现算法的全实值编

5、码策略不对变量进行编码而将每个局搜索它在遗传操作中起到关键作用从群体整体变量当作一位基因直接处理进化过程看交叉概率应随进化过程逐渐变小最后遗传操作趋于某一稳定值以免算法不能收敛或收敛过程加排序选择法最佳个体保存法长从产生新个体的角度看群体中的所有个体在交选择是从群体中选择优胜个体淘汰劣质个体叉操作上应有同等地位和相同概率从而使在的操作目的是把优化的个体遗传给下一代搜索空间具有各个方向的均匀性为此本文设计了排序选择法是在计算每个个体的适应度后根与进化代数相关的交叉概率据适应度大小对群体中个体排序并把事先设计好的概率表按序分配给个体作为各自的选择概率这样个体的适应度不直接影响

6、后代的选择保持了一其中为进化代数代表交叉概率的变化曲率定的选择压力从而在一定程度上抑制了标准遗传代表交叉概率的收敛极限交叉概率的变化曲线如算法的早熟和局部收敛图所示最佳个体保存法是对群体中适应度最高的个体不进行遗传操作而直接复制到下一代该方法可以保证某一代的最优解不被破坏非一致交叉设进行交叉的两父代个体为和交叉后得到的子代个体为图交叉概率曲线其中可取定值也可变化变异概率的自适应确定当取固定值时为一致交叉两对相同的交叉变异算子主要用来维持群体多样性防止出现父代只能得到相同的两对新个体不利于增加群体未成熟收敛在算法早期群体中个体多样性丰富多样性并且的不同取值对交叉算子也有直接

7、影此时变异概率应小些以提高算法的运行速度随着响当取中的随机值时为非一致交叉它有进化的进行个体越来越向适应度高的个体靠近致利于将一致交叉中取不同值产生的效果进行平使个体越来越单一此时变异概率应大些以维持群均以改善搜索特性体的多样性同理同一代群体中个体的变异概率应实值变异随个体的优劣而变化即加大优质个体的变异概率变异的本质是挖掘群体中个体的多样性同时为此设计了与遗传进化代数和个体适应度相关的提高算法的局部随机搜索能力自适应变异概率变异步长的选择比较困难最优步长视具体情况而定本文变异步长在优化过程中根据群体的进化进程自动改变变异步长