記憶遺傳算法在函數(shù)優(yōu)化中的應(yīng)用.pdf

1、遺傳算法是一種借鑒生物界自然選擇和遺傳機制的高度并行、隨機、自適應(yīng)的全局優(yōu)化概率搜索算法。國內(nèi)外都非常重視遺傳算法的理論和應(yīng)用研究，并取得了令人矚目的進展。但遺傳算法的理論和方法尚未成熟，算法自身的一些不足也有待于進一步地改進和完善，而函數(shù)優(yōu)化問題是對遺傳算法進行性能評價的常用算例。在遺傳算法進行函數(shù)優(yōu)化的過程中，不斷出現(xiàn)個體重復(fù)現(xiàn)象，重復(fù)概率與參數(shù)設(shè)置有關(guān)。大量的重復(fù)個體參與每一代的遺傳進化，在計算每個個體的適應(yīng)度時，相同個體，相同的

2、操作，相同的計算結(jié)果，消耗了大量的程序運行時間，提高了程序的時間復(fù)雜度，針對這個現(xiàn)象，本文提出了一種新的算法——記憶遺傳算法。該算法創(chuàng)設(shè)了遺傳個體庫的概念，遺傳個體庫中保存?zhèn)€體的編碼和適應(yīng)度信息，這種改進方法避免了相同個體適應(yīng)度的重復(fù)計算，可以大大節(jié)省適應(yīng)度評估的時間，從而獲得較快的收斂速度，改進了算法的性能。研究工作從對簡單一元函數(shù)、二元多峰函數(shù)和單峰函數(shù)的迭代過程深入細致的探究開展，選擇了一些典型的復(fù)雜函數(shù)進行仿真測試，通過和其它方

3、法比較，證明本文提出的記憶遺傳算法能有效加快算法的收斂速度，從而改進了算法的性能。
　　 本文對遺傳算法的主要改進及工作如下：
　　 1．遺傳算法模擬了自然選擇和遺傳中發(fā)生的復(fù)制、交叉和變異等現(xiàn)象，從任一初始種群出發(fā)，通過隨機選擇、交叉和變異操作，產(chǎn)生一群更適應(yīng)環(huán)境的個體。本文首先通過對一個函數(shù)的優(yōu)化詳細介紹了遺傳算法的實際工作過程，在這過程中發(fā)現(xiàn)了個體的重復(fù)現(xiàn)象；然后通過一個簡單一元函數(shù)具體分析了遺傳算法過程中種群個體

4、的重復(fù)現(xiàn)象，包括哪些參數(shù)的設(shè)置會影響重復(fù)率，對這些現(xiàn)象的研究為本課題的提出提供了事實依據(jù)。
　　 2．根據(jù)標準遺傳算法的運算流程，在每一代每一個體執(zhí)行選擇、交叉和變異操作之前，均要進行適應(yīng)度值的計算。針對遺傳算法過程中個體的重復(fù)現(xiàn)象，本文提出了遺傳個體庫的概念。個體庫中保存?zhèn)€體的編碼和適應(yīng)度值信息，產(chǎn)生的新個體在執(zhí)行選擇、交叉和變異操作之前先與個體庫中已存有的個體編碼信息進行比對，如果個體庫中已有相同個體的編碼信息，則直接將對應(yīng)