论文部分内容阅读
遗传算法是模仿自然选择和生物遗传学机理,通过人工方式构造的一种随机搜索算法,具有搜索的隐并行性、进化的自适应性和不依赖于问题特性的鲁棒性等特点。作为一种启发式随机搜索算法框架,遗传算法在对具体问题的求解过程中,仅需要利用问题的适应度函数信息,不需要依赖于问题特性的先验知识,同时不受问题搜索空间的连续性和可导性等限制条件的约束。因此特别适用于求解大规模复杂非线性优化问题,被广泛地应用于函数优化、组合优化、人工智能和自动控制等多个领域。
函数优化问题是遗传算法的经典应用领域,但是由于函数优化问题的复杂多样性,遗传算法解决函数优化问题还存在各种各样的问题。其中主要表现在:算法开采能力差和早熟收敛等方面。其主要解决办法是:增强算法的局部搜索能力和提高种群中个体的多样性。
本文首先对实数遗传算法中均匀变异、高斯变异及柯西变异等变异算子的基本原理及搜索性能进行了分析和对比。在此基础上,为了利用不同变异算子的搜索性能,把组合变异算子应用到实数遗传算法中,设计一种基于组合变异的实数遗传算法。该算法在进化过程中,能动态调整组合变异算子的变异步长,从而尽量保证算法在进化后期具有较强的局部搜索能力。理论分析和实验数据表明:本文算法在求解连续函数优化问题时,与传统实数遗传算法相比,在求解精度和稳定性等方面有了较大的改进。
针对多模函数优化问题,传统遗传算法一般只能收敛到一个解,而小生境技术能够有效的维持种群的多样性,是解决多模函数优化问题的一种有效手段。本文通过借鉴人类社会发展中人口迁移现象,提出了一种基于人口迁移的小生境遗传算法(A Niche Genetic Algorithm with Population Migration,PMGA)。最后,通过对四个多峰函数的测试结果表明了该算法在多峰搜索性能、小生境维持以及最优解精度等方面显示出了优良的性能。