论文部分内容阅读
遗传算法(GA)是模拟生物进化的一种优化方法,由于其具备较强的全局搜索能力,且简单有效,易实现,已得到广泛的应用。传统遗传算法存在诸多缺点,包括参数设置难,容易陷入局部最优等,限制了其有效性。
在诸多问题中,参数设置难这一问题尤为突出,虽然该问题已有一些研究。但由于合适的参数不仅仅决定于要解决的具体应用,还跟算法的运行状态相关,如何控制这些参数有待进一步的研究。针对该问题,在现有的自适应控制和演化自适应控制这两大类方法的基础上,本文提出联合自适应参数控制策略,并给出了两种实现方式,对遗传算法的交叉率与变异率进行有效调节,从而提高算法的总体性能,并应用于求解聚类问题。
具体的,本文的主要创新点和工作如下:
(1)提出联合自适应参数控制策略,该策略通过联合使用现有的自适应与演化自适应参数控制方法,来克服各自的不足,从而实现更有效的参数控制。基于该策略,我们首先给出基于自适应的联合参数控制,即在自适应参数控制基础上加入演化自适应控制方法作为其引导机制,来对遗传算法参数进行实时、动态控制。实验结果表明,采用该方式对参数进行控制时,演化自适应控制方法可有效克服自适应控制方法的不足,从而提升算法的总体搜索性能和效果。
(2)接着,我们提出基于演化自适应的联合参数控制,即在演化自适应参数控制中引入重置机制以及自适应控制方法作为其引导机制。该方式以演化自适应参数控制方法作为基础,在算法演化过程中将停滞不前的个体中编码的参数进行重置,且其重置后的值由自适应控制方法来确定。实验结果表明,该方式可有效克服演化自适应参数控制方法的不足,从而切实提升算法总体性能。
(3)最后,我们将基于所提联合自适应参数控制策略的两种方式的遗传算法应用于聚类分析,并在包括人工数据集和公共数据集进行测试,实验结果表明,与单独采用自适应控制方法或演化自适应控制方法相比,所提两种方式都可很好的平衡遗传算法的探索和探测能力,不仅提升了算法收敛精度,还加快了搜索速度,从而获得良好的聚类结果。
在诸多问题中,参数设置难这一问题尤为突出,虽然该问题已有一些研究。但由于合适的参数不仅仅决定于要解决的具体应用,还跟算法的运行状态相关,如何控制这些参数有待进一步的研究。针对该问题,在现有的自适应控制和演化自适应控制这两大类方法的基础上,本文提出联合自适应参数控制策略,并给出了两种实现方式,对遗传算法的交叉率与变异率进行有效调节,从而提高算法的总体性能,并应用于求解聚类问题。
具体的,本文的主要创新点和工作如下:
(1)提出联合自适应参数控制策略,该策略通过联合使用现有的自适应与演化自适应参数控制方法,来克服各自的不足,从而实现更有效的参数控制。基于该策略,我们首先给出基于自适应的联合参数控制,即在自适应参数控制基础上加入演化自适应控制方法作为其引导机制,来对遗传算法参数进行实时、动态控制。实验结果表明,采用该方式对参数进行控制时,演化自适应控制方法可有效克服自适应控制方法的不足,从而提升算法的总体搜索性能和效果。
(2)接着,我们提出基于演化自适应的联合参数控制,即在演化自适应参数控制中引入重置机制以及自适应控制方法作为其引导机制。该方式以演化自适应参数控制方法作为基础,在算法演化过程中将停滞不前的个体中编码的参数进行重置,且其重置后的值由自适应控制方法来确定。实验结果表明,该方式可有效克服演化自适应参数控制方法的不足,从而切实提升算法总体性能。
(3)最后,我们将基于所提联合自适应参数控制策略的两种方式的遗传算法应用于聚类分析,并在包括人工数据集和公共数据集进行测试,实验结果表明,与单独采用自适应控制方法或演化自适应控制方法相比,所提两种方式都可很好的平衡遗传算法的探索和探测能力,不仅提升了算法收敛精度,还加快了搜索速度,从而获得良好的聚类结果。