多模態(tài)優(yōu)化的混合小生境遺傳算法.pdf

1、在現(xiàn)實世界中許多實際問題都是多模態(tài)優(yōu)化(multimodal optimization)問題，即問題存在多個最優(yōu)解，或者存在一個全局最優(yōu)解以及若干局部最優(yōu)解；類似地，數(shù)學中也存在具有多個極值點的多峰(multipeaked)函數(shù)。標準遺傳算法(SGA)具有概率選擇機制和全局搜索的特點，在解決多模態(tài)優(yōu)化問題中具有一定的可能性。標準遺傳算法由于交叉算子的隨機配對機制，可能會使位于不同峰值附近的個體發(fā)生交叉后，雙方偏離各自的峰點；而且由于搜索

2、過程中適應度小的模態(tài)不斷地被淘汰，因此很難同時搜索出多個極值點，往往僅能收斂到一個模態(tài)。為此，人們提出多模態(tài)遺傳算法(MGA.Multi-modal Genetic Algorithms)，用來尋找多模態(tài)函數(shù)的多個峰(或局部極值點)。
　　 本文提出一種混合小生境遺傳算法，這是一種把峰半徑自適應控制方法和聚類算法以及順序小生境遺傳算法相結合的混合小生境遺傳算法。本算法可以在無需提供峰半徑或峰個數(shù)的前提下，搜索到并維持優(yōu)化問題解空

3、間中的多個峰。該方法將峰半徑作為決策變量編碼為染色體中的一部分，在對決策變量進行優(yōu)化的同時，對峰半徑進行動態(tài)調整。用聚類算法得山每次運行遺傳算法結束時的聚類中心，這樣可以減少算法的計算時間(或計算復雜度)。
　　 這種算法能夠輕易的找出多模態(tài)問題的多個解，包括全局最優(yōu)解和局部最優(yōu)解，并且不需要知道所求問題的峰的情況。對于很多實際問題是很有效的。但是這種算法在求解不知道峰的個數(shù)的情況時，到結束時需要進行連續(xù)幾次迭代才能判別是否已經(jīng)