一种遗传算法适应度函数改进方法

一种遗传算法适应度函数改进方法

ID:6103634

大小:187.65 KB

页数:3页

时间:2018-01-02

一种遗传算法适应度函数改进方法_第1页
一种遗传算法适应度函数改进方法_第2页
一种遗传算法适应度函数改进方法_第3页
资源描述:

《一种遗传算法适应度函数改进方法》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23卷第2期计算机应用与软件Vol123,No.22006年2月ComputerApplicationsandSoftwareFeb.2006一种遗传算法适应度函数的改进方法张思才张方晓(中国工程物理研究院结构力学研究所四川绵阳621900)摘要针对简单遗传算法中线性适应度函数随进化过程恒定不变的缺点,提出一种可随进化代数动态调整的非线性适应度函[1]数。以典型的遗传算法测试函数为算例,分别以Goldberg提出的线性拉伸方法与文中提出的改进遗传算法进行计算。计算结果表明文中提出的动态适应度函数对简单遗传算法的改进有较明显的效果。关键词遗传算法适应度

2、函数优化计算AMODIFIEDMETHODTOFITNESSFUNCTIONOFGENETICALGORITHMSZhangSicaiZhangFangxiao(InstituteofStructuralMechanics,ChinaAcademyofEngineeringphysics,MianyangSichuan621900,China)AbstractAimingattheshortcomingofthesimplegeneticalgorithm(GA)withthelinearfitnessfunctionunfitforevolution

3、aryprocess,amodifiedgeneticalgorithmwiththenonlinearfitnessfunction,whichcanadapttoevolutionaryprocessofalgorithmispresentedinthisdisserta2[1]tion.GAwithlinearscalingmethodproposedbyGoldbergandmodifiedGAinthispaper,respectively,calculatesthegeneticalgorithmpstes2tingfunctions.Th

4、ecomparisonbetweentheresultsobtainedbyabove2mentionedalgorithmsindicatesthatthenonlinearadaptivefitnessfunc2tioniseffectiveforimprovingthesimplegeneticalgorithmpsperformance.KeywordsGeneticalgorithmFitnessfunctionOptimizationcomputation0引言1遗传算法遗传算法(geneticalgorithms,简称GA)是模拟生物进化

5、过遗传算法寻优的本质是以群体中各个体的适应度为依据,程中,“适者生存,优胜劣汰”规律而无需函数梯度信息的自适通过选择、交叉等操作反复迭代,不断寻求出适应度较好的个[1]应全局搜索算法。遗传算法倍受各行设计者青睐之原因在体,最终得到问题的最优解。适应度函数是评价群体中个体好于:这类随机算法能够同时处理N个设计变量,有利于实现并坏的标准,是模拟自然选择的唯一依据。从而适应度函数选取行操作,提高多变量优化问题的计算效率;能够跳出局部最优解的优劣直接影响遗传算法的收敛速度及能否找到最优解。而做到全局搜索。遗传算法依靠选择操作模拟自然界中的“适者生存,优胜劣汰”

6、这一过程,即选择操作来引导算法的搜索方2适应度函数的选取向,而选择操作是以个体的适应度作为确定性指标,从当前群体中选择适应值高的个体以生成交配池。如此必然造成群体中基首先是遗传算法运行初期阶段,群体中或许会出现少数适因信息的丢失,使群体中个体平均相似度增加,最终造成遗传算应度极好的个体,最终这些个体可能会充斥整个群体,使用于产法早熟。文献[2]研究表明优化参数配置不当,遗传算法可能生新个体作用较大的交叉操作失去作用,从而使得群体多样性会出现不收敛的情况。为使遗传算法运用于工程结构优化领降低,遗传算法提前收敛到某个局部最优解。因此,适应度函数[3~5]域

7、,诸多学者对遗传算法做出不少改进。大多数改进思想的选取应尽量地避免早熟现象,即降低适应度较高的个体与其都是对遗传算法中的适应度函数、交叉概率和变异概率等方面它个体适应度之间的差异,限制其复制数量以维护群体多样性。进行改进,尤其以文献[5]中提出的自适应遗传算法为代表,其其次是运行后期阶段,群体越来越集中,个体之间的差异减思想就是建立在个体适应度基础之上。此外,遗传算法本身是小,相互之间的竞争力也随即减弱。这必然造成个体被选择到以激励机制———适应度函数为基础,故对适应度函数的改进应下一代中的概率接近,使进化过程失去竞争力,退化为随机选择该是最基本的、最

8、有效的改进方式。过程。因此,适应度函数的选取也应该克服这种退化现象,使算Goldberg在简单

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。