适应性精英种群策略的遗传算法用于多模函数优化.ppt

Appliedsoftcomputing11(2011)20172034,Geneticalgorithmwithadaptiveelitist-populationstrategiesformultimodalfunctionoptimization适应性精英种群策略的遗传算法用于多模函数优化YongLiang,Kwong-SakLeung,Keywords:GeneticalgorithmMultimodaloptimizationNichingstrategy,摘要,引入了一种新技术,适应性精英种群搜索方法。此方法适应性地调整种群大小，根据个体的不相似性和新型的依赖方向的精英遗传算子，提出了一个适应性精英种群遗传算法（AEGA）,1.介绍,现实中的许多问题需要优化算法能够搜索多个最优解。近年来已经提出了各种种群多样性改进机制，使得GA通过搜索保持了种群的多样性，允许GA识别多模函数的多个最优解，但并没有说明算法对于效率的改进。多模GA的效率必须平衡两方面的矛盾：,1.介绍,精英搜索vs.多样性保持：精英策略在GA中被广泛采用，用于改善全局最优搜索能力，但精英策略关注某些“最优”个体，而减少了种群多样性，而GA又需要保持种群多样性来发现多个最优解。如何平衡精英搜索和多样性保持对于构建有效率的多模GA是很重要的。算法有效性vs.冗余种群：许多GA使用大规模种群来提高获得全局和多个最优解的几率。但大种群将明显增加算法计算的复杂性，并产生很多多余个体，降低了GA的效率。,2.新的适应性精英种群搜索技术,（1）个体的相对方向对于高维的多模函数最大化问题，定义两个个体Pi和Pj的相对上升方向，为了方便定义，通过交叉产生的后代个体Ci和Cj作为参考点，通过比较父代和子代的适应度值，定义两个个体的相对方向。个体Pi相对于Pj的方向定义为：如果f(Ci)-f(Pi)0，Pi的相对上升方向是移向Pj；如果f(Ci)-f(Pi)=0，Pi的相对上升方向是flat；如果f(Ci)-f(Pi)=ds，则两个个体是不相似的并处于不同的峰上；如果两个个体的相对方向是facetoface，one-way或flat并且df(Pi)，将Ci替代Pi进入下一代；如果f(Ci)=f(Pi)，则Pi进入下一代。若Pi和Ci是不相似的：Pi直接进入下一代；将Ci与其距离阈值范围内的所有个体Pj进行比较（d(Ci,Pj)ds），如果不存在这样的Pj或f(Pj)f(Ci)，则Ci是未开发的或至少处于一个不同的峰，Ci进入下一代；如果f(Ci)1）倍，则删除适应度低的个体。,3.基于适应性精英种群的遗传算法,（c）基于适应性精英种策略演化算法Step1.初始化种群。Step2.评价个体的适应度。Step3.执行精英交叉和变异策略，并评价种群适应度。Step4.根据种群控制条件控制种群规模。Step5.重复step3step4直到到达给定的最大代数。,4.实验,比较算法,DeterministicCrowdingProbabilisticCrowdingSequentialFitnessSharingClearingProcedureClusteringBasedNiching(CBN)ClonalSelectionSpeciesConservingGeneticAlgorithm(SCGA),实验,ComparingAEGAwithotheralgorithmsforfindingallmultipleoptimaoftheproblemsinthefinalpopulationofAEGA,the100individualsdecreaseto5individualscorrespondingtothe5multipleoptima,while,onthecontrary,thefinalpopulationofothersevenalgorithmsstillhave100individualsThechangeprocessesoftheAEGAspopulationsizesComparingAEGAwithotheralgorithmsforfindingthemultiplehighfitnessoptimaoftheproblemsTheeffectofthedistanceparameter,结论,本文根据个体的不相似性和新型的依赖方向的精英遗传