基本遗传算法及改进(共22页).doc

《基本遗传算法及改进(共22页).doc》由会员分享，可在线阅读，更多相关《基本遗传算法及改进(共22页).doc（22页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上 第二章 基本遗传算法及改进Holland创建的遗传算法是一种概率搜索算法，它利用某种编码技术作用于称为染色体的数串，其基本思想是模拟由这些串组成的个体进化过程。该算法通过有组织地、然而是随机地进行信息交换，重新组合那些适应性好的串。在每一代中，利用上一代串结构中适应好的位和段来生成一个新的串的群体；作为额外增添，偶尔也要在串结构中尝试用新的位和段来替代原来的部分。遗传算法是一类随机优化算法，但是它不是简单的随机走动，它可以有效地利用已经有的信息处理来搜索那些有希望改善解质量的串。类似于自然进化，遗传算法通过作用于染色体上的基因，寻找好的染色体来求解问题。与自然界相似

2、，遗传算法对待求解问题本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应度值来改变染色体，使适用性好的染色体比适应性差的染色体有更多的繁殖机会。2.1 遗传算法的运行过程遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群(population)出发，通过随机选择、交叉和变异操作，产生一群更适应环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群最适应环境的个体(Individual)，求得问题的最优解。2.1.1 完整的遗传算法运算流程交叉遗传算法的一般步骤如图2.1所示。解10010001100110010

3、0译码适值计算10010001解转轮编码选择评估变异00图2.1 遗传算法的一般步骤完整的遗传算法运算流程可以用图2.2来描述。编码成位串实际问题参数集计算适应值种群1统计结果选择与遗传经过优化的一个或多个参数集（由解码得到）多个参数集合种群2改善或解决实际问题群2随机算子1） 位串解释得到参数2） 计算目标函数3） 函数值向适值映射4） 适值调整三种基本遗传算子：选择算子交叉算子变异算子种 群1 种 群2图2.2 遗传算法运算流程图1.3 遗传算法运算流程由图2.2可以看出，使用上述三种遗传算子(选择算子、交叉算子、变异算子) 的遗传算法的主要运算过程如下：(1) 编码：解空间中的解数据，作

4、为遗传算法的表现型形式。从表现型到基因型的映射称为编码。遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合就构成了不同的点。(2) 初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器t0；设置最大进化代数T；随机生成M个个体作为初始群体P(0) 。(3) 适应度值评价检测：适应度函数表明个体或解的优劣性。对于不同的问题，适应度函数的定义方式不同。根据具体问题，计算群体P(t) 中各个个体的适应度。(4) 选择：将选择算子作用于群体。(5) 交

5、叉：将交叉算子作用于群体。(6) 变异：将变异算子作用于群体。群体P(t) 经过选择、交叉、变异运算后得到下一代群体P(t+1)。(7) 终止条件判断：若tT，则tt+1，转到步骤（2）；若tT，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。从遗传算法运算流程可以看出，进化操作过程简单，容易理解，它给其他各种遗传算法提供了一个基本框架。一个简单的遗传算法被Goldberg用来进行轮廓描述，并用来举例说明遗传算法的基本组成。t代种群用变量P(t)表示，初始种群是随机设计的P(0)。简单遗传算法的伪代码描述如下：2.1.2 遗传算法的三个基本操作procedure GAbeg

6、in t = 0; initialize P(t); evaluate P(t); while not finished do begin t = t + 1; select P(t) from P(t -1); reproduce pairs in P(t); evaluate P(t); endend.遗传算法有三个基本操作：选择(Selection)、交叉(Crossover)和变异(Mutation)。(1) 选择。选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代

7、群体中。遗传算法通过选择运算体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。这样就体现了达尔文的适者生存原则。(2) 交叉。交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了父辈个体的特性。将群体内的各个个体随机搭配成对，对每一个个体，以某个概率(称为交叉概率，Crossover Rate)交换它们之间的部分染色体。交叉体现了信息交换的思想。(3) 变异。变异操作首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机改变串结构数据中某个串的值，即对群体中的每一个个体，以某一概率(称为变异概率，mutation rate) 改

8、变某一个或某一些基因座上的基因值为其他的等位基因。同生物界一样，遗传算法中变异发生的概率很低。变异为新个体的产生提供了机会。2.2 基本遗传算法基本遗传算法(也称标准遗传算法或简单遗传算法，Simple Genetic Algorithm，SGA) 是一种群体型操作，该操作以群体中的所有个体为对象，只使用基本遗传算子(Genetic Operator)：选择算子(Selection Operator)、交叉算子(Crossover Operator)和变异算子(Mutation Operator)，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的基础，它不仅给各种遗传算法提供了一个基本框

9、架，同时也具有一定的应用价值。选择、交叉和变异是遗传算法3个主要操作算子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法没有的特点。2.2.1 基本遗传算法的数学模型基本遗传算法可表示为： (2.1) 式中：个体的编码方法；个体适应度评价函数； 初始种群； 种群大小；选择算子； 交叉算子；变异算子； 遗传运算终止条件。图2.3为基本遗传算法的流程图。编码和初始种群的生成种群中个体适应度的检测评估选择交叉变异图2.3 遗传算法的基本流程图2.2.2 基本遗传算法的步骤1染色体编码与解码 基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值0，1所组成。初始群体中各

10、个个体的基因可用均匀分布的随机数来生成。例如：X=101就可表示一个个体，该个体的染色体长度是n=18。 0000=0 0001=1 0010=2 1111= (1) 编码：设某一参数的取值范围为，我们用长度为的二进制编码符号来表示该参数，则它总共产生种不同的编码，可使参数编码时的对应关系为：其中，。(2) 解码：假设某一个体的编码为，则对应的解码公式为： (2.2) 例如：设有参数，现用5位二进制编码对进行编码，得个二进制串(染色体) ：00000，00001，00010，00011，00100，00101，00110，0011101000，01001，01010，01011，01100，0

11、1101，01110，0111110000，10001，10010，10011，10100，10101，10110，1011111000，11001，11010，11011，11100，11101，11110，11111对于任一个二进制串，只要代入公式(2.2) ，就可得到对应的解码，如，它对应的十进制为，则对应参数的值为。 2 个体适应度的检测评估 基本遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中的机会多少。为了正确估计这个概率，要求所有个体的适应度必须为非负数。所以，根据不同种类的问题，需要预先确定好由目标函数值到个体适应度之间的转换规律。特别是要预先确定好

12、当目标函数值为负数时的处理方法。例如，可选取一个适当大的正数，使个体的适应度为目标函数值加上正数。3 遗传算子 基本遗传算法使用下列三种遗传算子：(1) 选择运算使用比例选择算子。比例选择因子是利用比例于各个个体适应度的概率决定其子孙的遗留可能性。若设种群数为，个体的适应度为，则个体被选取的概率为。当个体选择的概率给定后，产生0，1之间的均匀随机数来决定哪个个体参加交配。若个体的选择概率大，则能被多次选中，它的遗传基因就会在种群中扩大；若个体的选择概率小，则被淘汰。(2) 交叉运算使用单点交叉算子。只有一个交叉点位置，任意挑选经过选择操作后种群中两个个体作为交叉对象，随机产生一个交叉点位置，两

13、个个体在交叉点位置互换部分基因码，形成两个子个体，如图2.4所示。子个体1子个体2父个体1父个体2110 11011 00110 00011 11单点交叉 图2.4 单点交叉(3) 变异运算使用基本位变异算子或均匀变异算子：为了避免问题过早收敛，对于二进制的基因码组成的个体种群，实现基因码的小概率翻转，即0变为1，而1变为0，如图2.5所示。变异 图2.5 变异操作4. 基本遗传算法的运行参数 基本遗传算法有下列4个运行参数需要预先设定, 即。为群体大小，即群体中所含个体的数量，一般取为20100；为遗传算法的终止进化代数，一般取为100500；为交叉概率，一般取为0.40.99；为变异概率，

14、一般取为0.00010.1。2.2.3 遗传算法的具体例证下面通过具体的例子介绍遗传算法的实际工作过程。假设目标函数为： (2.3) (2.4) 如图2.6所示，该函数有多个局部极值点。图2.6 目标函数的图像下面介绍求解该优化问题的遗传算法的构造过程。第一步，确定决策变量和约束条件。式(2.4) 给出，决策变量为，约束条件为，。第二步，建立优化模型。式(2.3) 已给出了问题的数学模型。第三步，确定编码方法。要进行编码工作，即将变量转换成二进制串。串的长度取决于所要求的精度。例如，变量的区间是，要求的精度是小数点后4位，也就是意味者每个变量应该被分成至少个部分。对一个变量的二进制串位数(用表

15、示) ，用以下公式计算：第四步，确定解码方法。从二进制串返回为一个实际的值可用下面的公式来实现： (2.5) 其中，代表变量的十进位值。不妨设要求的精度为小数点后4位，则目标函数的两个变量和可以转换为下面的串：这样，一个染色体串是33位，如图2.7所示。 33位 18位 15位 图2.7 一个染色体二进制串对应的变量和的实值如表2.1所示。表2.1 染色体二进制与十进制比较二进制数十进制数541724318 起始种群可随机生成如下：U1 =l 10U2 =U3 =l 000l l0U4 =001U5 =l l01000U6 = lU7 =l 001 l0l l 0lU8 =00101l0 l1

16、00l1001l00U9 =l 001U10 =010相对应的十进制的实际值为：U1=-2.，5.U2=0.，4.U3=10.，4.U4=6.，4.U5=-2.，4.U6=11.，4.U7=9.，5.U8=-0.，4.U9=11.，4.U10=11.，4.第五步，确定个体评价方法。对一个染色体串的适应度评价由下列三个步骤组成：(1) 将染色体串进行反编码，转换成真实值。在本例中，意味着将二进制串转为实际值： (2.6) (2) 评价目标函数。(3) 将目标函数值转为适应度。对于极大值问题，适应度就等于目标函数值： (2.7) 在遗传算法中，评价函数起着自然进化中环境的角色，它通过染色体的适应度

17、对其进行评价。上述染色体的适应度值如下：eval(U1) =f(-2.，5.)=19.eval(U2) =f(0.， )=17.eval(U3) =f(10.，4.)=9.eval(U4) =f(6.， 4.)=29.eval(U5) = f(-2.，4.)=15.eval(U6) =f (11.，4.)=11.eval(U7) =f (9.， 5.)=17.eval(U8) =f (-0.，4.)=19.eval(U9) =f (11.，4.)=26.eval(U10) =f (11 .，4.)=10.由以上数据可以看出，上述染色体中最健壮的是U4，最虚弱的是U3。第六步，设计遗传算子和确定

18、遗传算法的运行参数。(1) 选择运算使用轮盘选择算子。为基础的概率分配来选择新的种群。其步骤如下： 计算各染色体Uk的适应度值eval(Uk) ：eval(U5) = (2.8) 计算群体的适应度值总和： (2.9) 计算对应于每个染色体UK的选择概率PK： (2.10) 计算每个染色体Uk的累计概率Qk：, (2.11) 在实际工作中，选择新种群的一个染色体按以下步骤完成： 生成一个0，l间的随机数r。 如果r，就选择染色体U1；否则，选择第k个染色体Uk(2kpop-size) 使得QK-1rQk那么，本例中种群的适应度总和为：=178.对应于每个染色体Uk (k=1，2，10)的选择概率

19、Pk如下：Pl=0. P2=0. P3=0. P4=0. P5=0.P6=0. P7=0. P8 =0. P9=0. Pl0=0.对应于每个染色体Uk(k=1，2，10)的累计概率QK如下：Q1=0. Q2=0. Q3=0. Q4=0.42761 1 Q5=0.Q6=0. Q7=0. Q8=0. Q9=0. Ql0=l .现在，我们转动轮盘10次，每次选择一个新种群中的染色体。假设这10次中生成的0，1间的随机数如下：0.30l43l 0. 0. 0. 0. 0. 0.l776l8 0. 0. 0.第一个随机数r1=0.大于Q3，小于Q4，这样染色体U4被选中；第二个随机数r2=0.也大于Q3

20、，小于Q4，于是染色体U4被再次选中。最终，新的种群由下列染色体组成：U1=1 10100 1 0l0 l l l00 l (U4)U2=1 10100 1 0l0 l l l00 l (U4)U3=00101 101 00l 10011 00 (U8)U4= 1 1 l 1 l 110l (U9)U5=100ll 01 1 10 0 1 (U4)U6=0 00 10011 00111 01101 (U7)U7=00 0000 1000 (U2)U8=1 1001 (U4)U9= 11110 (U1)U10=0 000 (U2)(2) 交叉运算使用单点交叉算子。随机选择一个染色体串的节点，然后

21、交换两个父辈节点右端部分来产生子辈。假设两个父辈染色体如下所示，节点随机选择在染色体串的第17位基因。U1=001U2=假设交叉概率为P0=25%，即在平均水平上有25%的染色体进行了交叉。交叉操作的过程如下：开始；当10时继续之间的随机数；如果，则选择Uk为交叉的一个父辈；结束；结束结束假设随机数在如下：0. 0. 0. 0. 0.l63274 0. 0. 0. 0. 0.那么，就意味着染色体U5和U7被选中做交叉的父辈。 在这里，我们随机选择一个1，32间的整数(因为33是整个染色体串的长度) 作为交叉点。假设生成的整数pos为1，那么两个染色体从第一位分割，新的子辈在第一位右端的部分互换

22、而生成，即U5=00l U7=U5*= U7*=(3) 变异运算使用基本位变异算子。假设染色体U1的第十八位基因被选作变异。如果该位基因是1，变异后就为0。于是，染色体在变异后将是：U1=001 U1*=001将变异概率设为Pm=0.01，就是说，希望在平均水平上，种群内所有基因的1%要进行变异。在本例中，共有33l0 =330个基因，希望在每一代中有3.3个变异的基因。每个基因变异的概率是相等的。因此，我们要生成一个位于0，1间的随机数系列rk(k=1，2，330)。假设表2.2中列出的基因将进行变异。表2.2 基因变异示例基因位置染色体位置基因位数随机数105460.1645320.l99

23、710.329l0320.00l282 在变异完成后，得到了最终的下一代种群：Ul*=001U2*=001U3*=U4*=101U5*=U6*=000U7*=001U8*= 1001U9*=U10*=l相对应的变量的十进制值和适应度值为：f(6.，4.)=29.f (6.，4.)=29.f (0.，4.)=19.f (11.，4.)=5.f (8.，4.)=19.91025f (9.，5.11702)=17.f (6.l59951，4.)=29.f (6.，4.)=29.f (2.，5.)=19.f (0.，4.)=17.至此，完成了遗传算法的一代的流程。设计终止代数为1000。在第491代，

24、得到了最佳的染色体：U*=11l 0110个体随着进化过程的进行，群体中适应度较低的一些个体被逐渐淘汰，而适应度较高的一些个体会越来越多，并且更加集中在U*附近，最终就可搜索到问题的最优点U*。U*对应的十进制为(x1*=11.，x2*=5.)，得适应度值为： eval(U*)=f(11.，5.)=38.即目标函数的最大值为 f() =38.。2.3 改进的遗传算法尽管遗传算法有许多优点，也有许多专家学者对遗传算法进行不断研究，但目前存在的问题依然很多，如：（1）适应度值标定方式多种多样，没有一个简洁、通用的方法，不利于对遗传算法的使用。（2）遗传算法的早熟现象即很快收敛到局部最优解而不是全局

25、最优解是迄今为止最难处理的关键问题。（3）快要接近最优解时在最优解附近左右摆动，收敛较慢。 本节根据遗传算法所存在的这些问题分别从适应度值函数标定和增加群体多样性两方面着手解决。遗传算法通常需要解决以下问题，如确定编码方案，适应度函数标定，选择遗传操作方式及相关控制参数，停止准则确定等。相应地，为改进简单遗传算法的实际计算性能，很多学者的改进工作也是分别从参数编码、初始群体设定、适应度函数标定、遗传操作算子、控制参数的选择以及遗传算法的结构等方面提出的。自从1975年，众多学者一直致力于推动遗传算法的发展，对编码方式、控制参数的确定和交叉机理等进行了深入的研究，提出了各种变形的遗传算法。其基本

26、途径概括起来主要有下面几个方面：(1) 改进遗传算法的组成成分或使用技术，如选用优化控制参数、适合问题特性的编码技术等。(2) 采用混合遗传算法(Hybrid Genetic Algorithm)。(3) 采用动态自适应技术，在进化过程中调整算法控制参数和编码精度。(4) 采用非标准的遗传操作算子。(5) 采用并行算法。在许多资料中都介绍了七种改进遗传算法：(1) 分层遗传算法(Hierarchic Genetic Algorithm)；(2) CHC算法；(3) Messy 遗传算法；(4) 自适应遗传算法(Adaptive Genetic Algorithm)；(5) 基于小生境技术的遗传

27、算法(Niched Genetic Algorithm，NGA)；(6) 并行遗传算法(Parallel Genetic Algorithm)；(7) 混合遗传算法： 遗传算法与最速下降法相结合的混合遗传算法。 遗传算法与模拟退火法(Simulated Annealing)相结合的混合遗传算法。下面介绍几种改进的遗传算法。2.3.1 改进的遗传算法一在改进的遗传算法中，改进的三个算子通常是GA算法中的交叉操作，是随机取两个染色体进行单点交叉操作(也可用其它的交叉操作，如多点交叉、树交叉、部分匹配交叉等)，即在以高适应度模式为祖先的“家族”中取一点，但这种取法有其片面性。经证明，简单遗传算法在任

28、何情况下(交叉概率Pc，变异概率Pm，任意初始化，任意交叉算子，任意适应度函数)都是不收敛的，即不能搜索到全局最优解；而通过改进的遗传算法，即在选择作用前(或后)保留当前最优解，则能保证收敛到全局最优解。尽管人们证明了改进的遗传算法最终能收敛到最优解，但收敛到最优解所需的时间可能是很长的。另外，早熟问题是遗传算法中不可忽视的现象，其具体表现为：(1) 群体中所有的个体都陷于同一极值而停止进化。(2) 接近最优解的个体总是被淘汰，进化过程不收敛。对此可以采用以下方法来解决：(1) 动态确定变异概率，既可防止优良基因因为变异而遭破坏，又可在陷于局优解时为种群引入新的基因。(2) 改进选择方式，放弃

29、赌轮选择，以避免早期的高适应度个体迅速占据种群和后期的种群中因个体的适应度相差不大而导致种群停止进化；赌轮选择方式就会使每一个个体都获得复制一份的机会，体现不出好的个体的竞争力，无法实现遗传算法的优胜劣汰的原则。鉴于此，这里用一种基于种群的按个体适应度大小排序的选择算法来代替赌轮选择方法。其过程描述如下：first( ) 将种群中的个体按适应度大小进行排序；while 种群还没有扫描完do 排在前面的个体复制两份；中间的复制一份；后面的不复制；择优交叉在解决过早收敛问题时，通常习惯于采用限制优良个体的竞争力(高适应度个体的复制份数)的方法。这样无疑会降低算法的进化速度，增大算法的时间复杂度，降

30、低算法的性能。由于种群的基因多样性可以减小陷入局优解的可能，而加快种群进化速度又可以提高算法的整体性能。为了解决这一对矛盾，尝试一种在不破坏种群的基因多样性前提下加快种群的进化速度的方法，这一方法描述如下：在随机选择出父本和母本以后，按照交叉方法(单点，多点，一致交叉)进行次交叉，产生2n个个体，再从这2n个个体中挑选出最优的两个个体加入新的种群中。这样既保存了父本和母本的基因，又在进化的过程中大大地提高了种群中个体的平均性能。基于以上的分析，改进的遗传算法描述如下：(1) 在初始种群中，对所有的个体按其适应度大小进行排序，然后计算个体的支持度和置信度。(2) 按一定的比例复制(即将当前种群中

31、适应度最高的两个个体结构完整地复制到待配种群中)。(3) 按个体所处的位置确定其变异概率并变异；按优良个体复制4份，劣质个体不复制的原则复制个体。(4) 从复制组中随机选择两个个体，对这两个个体进行多次交叉，从所得的结果中选择一个最优个体存入新种群。(5) 若满足结束条件，则停止，不然，跳转第(1)步，直至找到所有符合条件的规则。该算法的优点是在各代的每一次演化过程中，子代总是保留了父代中最好的个体，以在“高适应度模式为祖先的家族方向”搜索出更好的样本，从而保证最终可以搜索到全局最优解。2.3.2 改进的遗传算法二改进遗传算法二的步骤如下：(1) 划分寻优空间。字符串中表示各个变量的子字符串的

32、最高位(最左边)可以是0或1(用表示，下同) 。据此存在一种划分，可以把字符串划分成对等的两个子空间。假设有个变量，则存在个这种划分方式，可以形成对子空间，用集合表示为：为划分区间，在此将个体依适应值降序排列为：(2) 设计空间退化。在演化到某一代时，如果适应值最高的前个(取群体规模的一个事先确定的比例，这里取)个体都位于同一字符串子空间(如) 内：可以认为最优点以很大概率落入中，以此作为下一代的寻优空间。对应变量为： (2.12) 由于在该空间内表示第个变量的子字符串中最高位和标准遗传算法中的最高位一样，为提高编码效率，提高变量表达精度，同时保证各基因位按模式定理解释时含义不变，将中的各位基

33、因位从左边第二位开始，依次左移一位： 而最后一位由随机数填充。为了保护最优个体，使其在区间退化时对应变量不变，最优个体的最后位与移动前的首位一致。由于设计空间的不断退化，每个变量的串长无需太长，取46位即可，不影响精度。(3) 寻优空间的移动。如果当前最优解的某个分量处在当前设计空间的边界，该变量对应的子串的各位相同，均为0或1，则认为最优解有可能在当前寻优区间以外。此时，在该分量方向移动寻优空间，以避免寻优空间缩减而导致的失去最优解。可以取移动距离为，为沿方向相邻两个离散点间的距离： (2.13) 移动方法是调整边界如下： (2.14) 然后改变对应子串，改变方法是把该子串作为二进制数，当=

34、1时减2；反之加2。这样操作保证了处在移动前后两个空间的重叠部分的个体处在设计空间的同一位置上。当有进位或借位发生时，说明该点将被移出当前寻优空间，略去进位或借位，就会落入新移入的那部分寻优空间内，可以理解为随机产生的新个体。2.3.3 改进的遗传算法三标准遗传算法是具有“生成+检测”的迭代过程的搜索算法。遗传算法采用一种群体搜索策略和群体中个体之间的信息交换、搜索，不依赖于梯度信息。但标准遗传算法存在一些不足，下面是标准遗传算法中存在的主要问题及解决方案。对早熟收敛和后期搜索迟钝的解决方案：有条件的最佳保留机制；采用遗传灾变算法；采用适应度比例机制和个体浓度选择机制的加权和；引入主群和属群的

35、概念；适应度函数动态定标；多种群并行进化及自适应调整控制参数相结合的自适应并行遗传算法，对重要参数的选择采用自适应变化而非固定不变。采用的具体方法为：1) 交叉和变异算子的改进和协调采用；a) 将进化过程划分为渐进和突变两个不同阶段；b) 采用动态变异；c) 运用正交设计或均匀设计方法设计新的交叉和变异算子。2) 采用与局部搜索算法相结合的混合遗传算法解决局部搜索能力差的问题；3) 采用有条件的替代父代的方法解决单一的群体更新方式难以兼顾多样性和收敛性的问题；4) 收敛速度慢的解决方法：a) 产生好的初始群体；b) 利用小生境技术；c) 使用移民技术；d) 采用自适应算子；e) 采用与局部搜索

36、算法相结合的混合遗传算法；f) 对算法的参数编码采用动态模糊控制；g) 进行未成熟收敛判断。遗传算法中包含了如下5个基本要素：参数编码、初始群体的设定、适应度函数的设计、操作设计和控制参数设定。这5个要素构成遗传算法的核心内容。接下来将从初始群体产生、选择算子的改进、遗传算法重要参数的选择、群体更新方式、适应度函数的选取等几个方面对标准遗传算法进行改进。1初始群体的产生初始群体的特性对计算结果和计算效率均有重要影响。要实现全局最优解，初始群体在解空间中应尽量分散。标准遗传算法是按预定或随机方法产生一组初始解群体，这样可能导致初始解群体在解空间分布不均匀，从而影响算法的性能。要得到一个好的初始群

37、体，可以将一些实验设计方法，如均匀设计或正交设计与遗传算法相结合。其原理为：首先根据所给出的问题构造均匀数组或正交数组，然后执行如下算法产生初始群体：(1) 将解空间划分为S个子空间；(2) 量化每个子空间，运用均匀数组或正交数组选择M个染色体；(3) 从MS个染色体中，选择适应度函数最大的N个作为初始群体。这样可保证初始群体在解空间均匀分布。另外，初始群体的各个个体之间应保持一定的距离，并定义相同长度的以某一常数为基的两个字符串中对应位不同的数量为两者间的广义海明距离。要求入选群体的所有个体之间的广义海明距离必须大于或等于某个设定值。初始群体采用这种方法产生能保证随机产生的各个个体间有较明显

38、的差别，使它们能均匀分布在解空间中，从而增加获取全局最优解的可能。2选择算子的改进在标准遗传算法中，常根据个体的适应度大小采用“赌轮选择”策略。该策略虽然简单，但容易引起“早熟收敛”和“搜索迟钝”问题。有效的解决方法是采用有条件的最佳保留策略，即有条件地将最佳个体直接传递到下一代或至少等同于前一代，这样能有效防止“早熟收敛”。也可以使用遗传灾变算法，即在遗传算法的基础上，模拟自然界的灾变现象，提高遗传算法的性能。当判断连续数代最佳染色体没有任何进化，或者各个染色体已过于近似时，即可实施灾变。灾变的方法很多，可以突然增大变异概率或对不同个体实施不同规模的突变，以产生不同数目的大量后代等。用灾变的

39、方法可以打破原有基因的垄断优势，增加基因的多样性，创造有生命力的新个体。3遗传算法重要参数的选择遗传算法中需要选择的参数主要有：染色体长度、群体规模、交叉概率Pc和变异概率Pm等，这些参数对遗传算法的性能影响也很大。染色体长度的选择对二进制编码来说取决于特定问题的精度，存在定长和变长两种方式。群体规模通常取20200。一般来说，求解问题的非线性越大，选择就应该越大。交叉操作和变异操作是遗传算法中两个起重要作用的算子。通过交叉和变异，一对相互配合又相互竞争的算子使其搜索能力得到飞速提高。交叉操作的作用是组合交叉两个个体中有价值的信息产生新的后代，它在群体进化期间大大加快了搜索速度；变异操作的作用

40、是保持群体中基因的多样性，是偶然的、次要的(交叉率取很小)，起辅助作用。在遗传算法的计算过程中，根据个体的具体情况，自适应地改变Pc、Pm的大小，将进化过程分为渐进和突变两个不同阶段：渐进阶段强交叉，弱变异，强化优势型选择算子；突变阶段弱交叉，强变异，弱化优势型选择算子。这样对提高算法的计算速度和效率是有利的。自适应参数调整方案如下： (2.15) 式中，为某代中最优个体适应度，为此代平均适应度。4适应度函数的设计遗传算法中采用适应度函数值来评估个体性能并指导搜索，基本不用搜索空间的知识，因此，适应度函数的选取相当重要。性能不良的适应度函数往往会导致骗问题。适应度函数的选取标准是：规范性（单值

41、、连续、严格单调），合理性（计算量小），通用性。Vasilies Retridis提出在解约束优化问题时采用变化的适应度函数的方案。将问题的约束以动态方式合并到适应度函数中，即形成一个具有变化的惩罚项的适应度函数，用来指导遗传搜索。在那些具有许多约束条件而导致产生一个复杂搜索超平面的问题中，该方案能明显以较大的概率找到全局最优解。5进化过程中动态调整子代个体遗传算法要求在进行过程中保持群体规模不变。但为了防止早熟收敛，在进化过程可对群体中的个体进行调整，包括引入移民算子、过滤相似个体、动态补充子代新个体等。移民算子是避免早熟的一种好方法。在移民的过程中不仅可以加速淘汰差的个体，而且可以增加解的多样性。所谓的移民机制，就是在每一代进化过程中以一定的淘汰率(一般取15%20%) 将最差个体淘汰，然后用产生的新个体代替。为了加快收敛速度，可采用滤除相似个体的操作，减少基因的单一性。删除相似个体的过滤操作为：对子代个体按适应度排序，依次计算适应度差值小于门限delta的相似个体间的广义海明距离(相同长度的以