求解不可微函数优化的一种混合遗传算法(1)的论文

《求解不可微函数优化的一种混合遗传算法(1)的论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、求解不可微函数优化的一种混合遗传算法(1)的论文摘要在浮点编码遗传算法中加入posonormal>关键词全局最优；混合算法；遗传算法；posonormalstyle="margin:6pt0cm">1引言不可微非线性函数优化问题具有广泛的工程和应用背景，如结构设计中使得结构内最大应力最小而归结为极大极小优化（minmax）问题、数据鲁棒性拟合中采取最小绝对值准则建立失拟函数等。其求解方法的研究越来越受到人们的重视，常用的算法有模式搜索法、单纯形法、posonormalstyle="text-indent

2、:21pt">近年来，由holland研究自然现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而首先提出的遗传算法，是一种较为有效的求不可微非线性函数全局最优解的方法。以遗传算法为代表的进化算法发展很快，在各种问题的求解与应用中展现了其特点和魅力，但是其理论基础还不完善，在理论和应用上暴露出诸多不足和缺陷，如存在收敛速度慢且存在早熟收敛问题[1,2]。为克服这一问题，早在1989年goldberg就提出混合方法的框架[2]，把ga与传统的、基于知识的启发式搜索技术相结合，来改善基本遗传

3、算法的局部搜索能力，使遗传算法离开早熟收敛状态而继续接近全局最优解。近来，文献[3]和[4]在总结分析已有发展成果的基础上，均指出充分利用遗传算法的大范围搜索性能，与快速收敛的局部优化方法结合构成新的全局优化方法，是目前有待集中研究的问题之一，这种混合策略可以从根本上提高遗传算法计算性能。文献[5]采用牛顿－莱佛森法和遗传算法进行杂交求解旅行商问题，文献[6]把最速下降法与遗传算法相结合来求解连续可微函数优化问题，均取得良好的计算效果，但是不适于不可微函数优化问题。本文提出把posonormalstyl

4、e="margin:6pt0cm">2混合遗传算法编码是遗传算法应用中的首要问题，与二进制编码比较，由于浮点编码遗传算法有精度高，便于大空间搜索的优点，浮点编码越来越受到重视[7]。考虑非线性不可微函数优化问题(1)，式中为变量个数，、分别是第个变量的下界和上界。把posonormalstyle="text-align:right"align=right>min(1)step1给遗传算法参数赋值。这些参数包括种群规模m，变量个数n，交叉概率pc、变异概率pm，进行poso-bidi-font-style

5、:normal">pposo-bidi-font-style:normal">t。step2随机产生初始群体，并计算其适应值。首先第i个个体适应值取为fi’=fmax-fi，fi是第i个个体对应的目标函数值，fmax为当前种群成员的最大目标函数值，i=1,2,…,m。然后按goldberg线性比例变换模型[2]式(2)进行拉伸。fi’=a×fi’+b（fi³0）(2)step3执行比例选择算子进行选择操作。step4按概率执行算术交叉算子进行交叉操作。即对于选择的两个母体和，算术交叉产生的两个

6、子代为和，是[0，1]上的随机数，1,。step5按照概率执行非均匀变异算子[8]。若个体的元素被选择变异，，则变异结果为，其中，(3)(4)返回区间[,]里的一个值，使靠近0的概率随代数的增加而增加。这一性质使算子在初始阶段均匀地搜索空间，而在后面阶段非常局部化。是[,]之间的随机数，为最大代数，为决定非均匀度的系统参数。step6对每个个体按照概率ppoagedatasrc="file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_im

7、age019.z"o:title="">被选择进行poagedatasrc="file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_image019.z"o:title="">作为初始点执行poagedatasrc="file:///c:/docume~1/admini~1/locals~1/temp/msoclip1/01/clip_image077.z"o:title="">，若则把所得计算结果作为子代，否则，若取=；若取=，1。st

8、ep7计算个体适应值，并执行最优个体保存策略。step8判断是否终止计算条件，不满足则转向step3，满足则输出计算结果。作为求解无约束最优化问题的一种直接方法，poso-bidi-font-style:normal">n个方向搜索，得一个最好点，然后沿本轮迭代的初始点与该最好点连线方向进行搜索，求得这一阶段的最好点。再用最后的搜索方向取代前n个方向之一，开始下一阶段的迭代。为了保持算法中n个搜索方向是线性无关的，保证算法的收敛性，对替换方