【《面向多任务协同优化的改进遗传算法设计案例》5200字】

面向多任务协同优化的改进遗传算法设计案例目录TOC\o"1-3"\h\u18569面向多任务协同优化的改进遗传算法设计案例 116351.1遗传算法初始化设计 1295051.1.1染色体编码 115581.1.2初始种群改进 269741.1.3适应度函数设计 494721.2遗传算子改进 4218791.2.1选择算子优化 478191.2.2交叉算子优化 5104541.2.3变异算子优化 5149921.2.4交叉变异概率的改进 640931.3基于模拟退火算法的遗传算法参数寻优设计 8231911.4改进遗传算法步骤 9遗传算法中目标函数约束条件不会对其产生任何限制，该算法能与其他智能算法具有较高的融合优势，由于容易陷入局部最优，且存在过早收敛等问题，因此需与其他智能算法融合改进。而模拟退火算法局部搜索能力强，具有十分便捷的计算过程[62]。因此常常应用模拟退火算法和遗传算法的有机结合，完成最优解求解问题，但面对多任务协同优化问题进行多决策寻优时，并不能得到最优解。由此，需针对遗传模拟退火算法进行再次优化，从而利用改进后的混合遗传算法将目标函数的最优解拟求出。1.1遗传算法初始化设计1.1.1染色体编码要利用遗传算法计算，首先需要对染色体进行编码。不同染色体编码方式会对遗传算法的计算效率和结果产生直接影响。常见的几种染色体编码包扩二进制编码、整数编码以及数据结构编码等。本文采取整数编的方式，适用于遗传算法求解多任务协同优化问题，具体编码方案如下：对个物流中心共有个物流企业资源分别进行编码，其中物流任务数为，每个任务包含个物流作业，因此每个染色体共有个基因，每个基因代表不同物流中心的物流企业资源，假设，则染色体编码为其中表示第一个任务的第一个物流作业所选择的物流企业资源。例如3个物流中心的9个物流企业资源共实现2个物流任务中的3个物流作业。其中物流资源对应编码为，则一个物流分配方案染色体编码代表第1个任务的第1个物流作业由物流企业资源执行，物流企业多任务协同编码方式。多任务协同优化模型编码公式：（1.1）1.1.2初始种群改进遗传算法中种群初始化开始于种群在所有参数空间中所产生的随机种群数量，通过对搜索空间的映射而产生迭代进化。种群的大小决定了遗传算法的优化效果，过小的种群数量会使优化算法陷入局部最优解。反之，种群数目过大，会导致遗传算法无法快速收敛于最优解，使遗传算法的效率大大降低。由于混沌算法有良好的遍历性，应用其优化遗传算法变量，可以提高遗传算法的种群多样性，使其寻最优解时不宜陷入局部最优。通常混沌映射算法有单峰映射（Logistic映射）和帐篷映射（Tend映射），YancangLi[63]等通过研究表明Tend混沌映射在遍历性、均匀性方面比Logistic混沌映射具有更大的优势。Logistic混沌映射公式：（1.2）Tent混沌映射公式：（1.3）设置Y1=0.618，K=200，通过对比图1.1和图1.2两算法的混沌映射曲线可知Tent算法比Logistic算法得到的曲线变化分布更加均匀。相较于图1.1，Logistic函数的分布不够广泛，取值范围主要0.2~0.8之间，而Tent函数映射范围在0~1间。通过改进Tent混沌映射如式（1.4）：（1.4）式（1.4）中，当时，返回值等于1，当时，。改进Tend混沌映射函数变数曲线如图1.3所示图1.2Logistic混沌映射变化曲线图1.3Tent混沌映射变化曲线图1.4改进Tent混沌映射变化曲线混沌变量转化为设计变量的映射如式（1.4）（1.5）种群初始化流程为：Step1：设计优化变量数目为，赋予个式（1.3）中的初值Step2：利用式（1.4）产生混沌变量Step3：将混沌变量利用式（1.5）映射到种群解空间，完成种群初始化。1.1.3适应度函数设计针对染色体的优劣加以评价的唯一标准就是适应度函数值。若染色体具有越大的适应度值，则意味着该染色体相对于其他染色体而言质量更好，即在下一代得到复制的可能性越高。染色体的适应度函数往往与其目标函数值具有紧密的相关性，转换其中的目标函数得出结果，数值越大，意味着该染色体的质量越佳。本文中进行的多任务协同优化目标函数的模型创建，其目标为最佳的质量与最低的成本以及最短时间。适用度值与目标函数值，二者属于倒数的关系，即目标函数值越大，则适应度函数值越小，其可行度越低，由此来针对适应度函数的可行性加以判断。公式如下（1.6）（1.6）式中，为染色体适应度值；为第j个染色体对应的目标函数；N为种群总数，且适应度范围值为[0,1]。要对适应值进行计算时，应该首要明确各项物流任务作业成本、以及每条物流子任务车辆经过的不同村镇物流点、以及完成物流作业任务后车辆返回的物流中心各项子任务的运输成本，综合计算物流总成本，然后得出处理每条物流子任务的总时间，以及服务质量。1.2遗传算子改进1.2.1选择算子优化应用动态轮盘赌进行选择，从实质上来看，是以适应度大小作为依据。遗传算法中常常具有超长适应度的个体存在，依据传统的轮盘赌法进行选择，由于某些个体具有较强的竞争力，因此会干扰选择结果，从而大大降低了种群基因的多样性，提高算法收敛于局部最优解发生的可能性。在本文中，针对传统的轮盘赌选择方式予以动态调整。该方式既将传统轮盘赌选择的操作方式予以适当保留，当每完成一次个体的选择时，将选中个体摘除自选择列表，即意味着该个体已被选择，在下一轮的选择中不再参与，其具体操作环节如下所述。Step1：以适应度为依据完成个体自大到小的顺序排布，完成总适应度的数值计算；Step2：利用传统轮盘堵方式，完成父代个体的选择，从而开展接下来的繁衍操作；Step3：在总群中将上一步骤中所选择的个体予以摘除，针对剩余个体加以排序，并完成适应度的数值计算；Step4：针对步骤2和3两项操作反复循环，直至父代个体数量满足需求。优化后的轮盘选择方式，可针对初期异常个体的多次选择现象予以有效规避，为种群多样性提供了有效保障。除此之外，与精英保留战略相结合，也不会将适应度异常高破坏。针对进化初期异常高个体所导致的局部最优问题予以有效化解。1.2.2交叉算子优化交叉指两个原始基因序列间的交叉变换，通过某个或某些位置的交换生成区别于原始序列的个体。交叉对父代基因产生的改变是形成新个体基因的主要构成。交叉变化过程对遗传算法的运算效率和计算结果都会产生影响，其也是搜索空间的关键一步。全新染色体形成过程将会借助种群整体当中染色体的交叉，同时能够在一定范围中完成最优解的搜索；此外，为了保留个体当中优良的基因，防止这些基因被影响，借助了交叉操作的方法。因此，通过引入自然数编码输入到交叉算子之中构成局部匹配的交叉法。具体的操作流程如下所示：首先，利用随机的方式将两个串交叉点予以明确，针对二者交叉点间的区域予以交换，最后获得子代染色体两个。为了更加具象的阐述局部匹配的具体环节，将以下列例子予以说明。（1）针对一对染色体，随机选择某几个基因的开始和结束位置。（2）将两组基因的位置进行交换。（3）以下图为例，2-3-6即为映射关系，可直观了解到(2)的结果中子代2具备两个基因2，可将基因2变为基因3，同理，继续这一过程。全部存在冲突的基因都会加以映射，确保基因对自带精英不存在任何冲突。1.2.3变异算子优化变异算子是指新个体由原有染色体中的某一位或者多位基因发生改变而产生的。变异算子通过调节交叉而生成不同的个体来改变优化算法的局部搜索能力。从而增加种群中染色体的多样性，避免优化算法过早收敛使模型算法达到最优。变异算子应用选择和交叉操作而产生的后代，突变发生是基于概率产生。常见的变异算子有翻转突变、交换突变、反转突变、乱序变异。交换突变及反转突变相对适用于有序染色体。本文优化策略是通过变异算子变异后，得到的协同优化解结果比原来更优则停止的思想。优化的变异算子过程步骤如下：Step1：在区间rand（0，1）选择任意数t，即t∈(0,1)；Step2：判断t是否大于等于；Step3：若条件(2)得到满足，可完成一个基因变异位的随即确定；Step4：自基因突变位起，后续的基因顺序将无法恢复，其具体描述内容如下。（1）假设基因编码为：（2）随机确定基因突变位为6：（3）后续的基因顺序将随着基因突变位的存在而被打乱。1.2.4交叉变异概率的改进在遗传算法领域，算法的性能将受到控制参数选择的影响。根据基本遗传算法可知，变异概率、交叉概率二者均为经验值[64]。若在遗传操作环节，这两项控制参数始终处于不变的情况下，当算法进行到某一阶段时，算法的要求很难通过这些数值得到满足，这会对整体的性能和最优解的质量产生影响，使其受到波及。本文通过设计动态变化变异概率和交叉概率，实现概率自适应调整，在保证了种群多样性的同时完好的保留了种群中良好的个体。以实现算法在种群多样性的前提下不会过早收敛，从而求得最优解。（1）自适应交叉概率新个体生成中交叉算子的交叉速度取决于交叉概率的大小，其为正相关关系。在进化初期选择的交叉概率过小会导致在种群中不同染色体适应度相近，无法得到最优解。而变异概率比较大的情况会直接的影响种群中新个体占据的比例，这会导致收敛算法发生变化，出现随机搜索的模式。在这种情况下，如果想要保障最优解的质量，不可以把交叉概率设置为定值。在种群进化阶段，不断的进化适应度相对较低的个体，应将交叉操作的概率予以提升。当主群不断进化时，良好个体数量也处于稳步提升状态，为了确保优良个体得以保留，应尽可能的降低交叉概率值。以上述要求为依据，将自适应交叉提出前，应进行评价指标的设计，表示每个不同个体的区别，其指标公式如下：（1.7）（1.7）式中，表示j代种群优秀个体平均适应度值；表示j代种群最大适应度值。个体和最大适应度之间存在着一定的差异，这是初始种群进化的因素之一，因此应该选用适当的值。种群的进化发展到末期时，个体间的差别没有进化初期时大，因此选择较大值。值会随着种群进化的成都发生变化。交叉概率的调整方法为：（1.8）在公式（1.8）中，与代表交叉概率的取值初始区间，且；与为第i代种群交叉概率的区间，其变化处于[,]。根据公式（1.7）和公式（1.8）可知，交叉概率公式为：（1.9）（2）自适应变异概率尽管在遗传算法中发生变异，操作的可能性微乎其微，但其所发挥的作用不容忽视。变异算子的存在不仅大大提升了种群的多样性，也能够针对局部最优的情况进行改善。不可以使用比较高的变异概率，因为这样会违反生物学进化的规律。在种群进化的初期阶段，若选择的变异概率过小，将会导致其初期存活概率较高。较大的变异概率，会导致优良基因产生变化，难以得到最优解。所以，为了使种群的多元化发展得到保障，可以适当提升种群搜索空间，借助遗传算法改变上述问题，可动态调整变异概率如下：（1.10）在公式（1.10）中，与为变异概率取值的上下限，且>；与为第i代种群变异概率的上下限，在[,]区间内发生变化。由（1.7）和公式（1.10）得出改进的变异概率公式为：（1.11）由（1.9）和（1.11）可以得出，在种群中不同个体的交叉概率与变异概率的方法中，将整体交叉和变异概率加入其中。每一代的交叉概率和变异概率都会对总体的情况产生一定程度的共同影响；另一方面每一种个体变异几率和交叉概率都能够通过自我调节进行适应。在整体当中，每一代优良个体借助自身的动态调整能力，能够得以保留，并实现了避免过早收敛与寻求到局部最优解的现象。1.3基于模拟退火算法的遗传算法参数寻优设计遗传算法在的缺陷在于局部搜索能力存在不足，在局部个体适应度相近的情况下，无法获得最优解。考虑到模拟退火算法的变化特性相对较好，局部空间内的寻优能力较强[64]。模拟退火算法，可以使适应度接近的个体差异性变大，从而促进新个体的生成；除此之外，对新形成的个体进行调节，得到目标函数计算的结果；最后，在判断的过程中结合Metropolis准则，看新解能否符合[65]，模拟退火算法的操作流程如下所示：Step1：以reach作为当前解，当前温度利用表达；Step2：newsolu为调整后的新解，objvnewsobjv即为其对应的目标函数值，目标函数的增量利用表达，。由此可知，Metropolis准则如下：(1.12)当满足条件时，则接受新解的概率为1；反之则为，舍弃新解Step3：降温操作可依据衰减速率h来完成，即；Step4：针对终止条件进行判断，当满足条件时跳转至步骤(5)；反之跳转至步骤(2)；Step5：将当前解reach予以输出。1.4改进遗传算法步骤为了提高遗传算法的局部搜索