一种改进的遗传算法：GA-EO算法

合集下载

一种改进的遗传算法

引入小生境对。
法；制繁殖６０代，验１次，６限０实Ｏ０有０次，到全局最优值１１１。找．２５
还得到了Ｉ１９ｌ１４．２０，｜１１等峰值。３算法改进与分析．在遗传算法中。随机产生Ｎ个初始群体，Ｍ＝／，Ｎ个体随机令Ｎｐ把６总结．
ｗｈｌｙｓｒｎｔｅｅ．ｏ：ｎｔｃａｇｒｔｍ；ｉｈｒｕｃｕｌｉｈｅｇｏｐｙｗｏｄＧｅｅｉｏｈｎｃｅｇｏｐ；ｏｐｅｎｃｕｌｉｒ
１。入引
⑦ 满足条件结束运算，否则，继续迭代。
体上得到了的提高关键词：传算法；生境：生境对遗小小
Ａｂｔａｔ．ｈｉｈｅｅｉｌｏｉｍａｅｎｕｅｎｔｅｍｕｉｄｌｆｎｔｎ．ｎｔｅｐｐｒｈｓｌｔｄｎｃｅｇｎｔｌｏｉｈｉｎｅｔａ— ｓｒｃ．ｅｎｃｅｇｎｔｃａｇｒｈｈｓｂｅｓｄｉｈｈｍｏａｕｃｉｓＩｈａｅ。ｔｅｉｏａｅｉｈｅｅｉａｇｒｔｍｓｉｖｓｉｔＴｔｏｃｇｅｎｓａｌｒｔｄｉｏｓｅｔ．ｅｃｎｅｔｏｆｔｅｃｕｌｃｅｇｏｐｉｕｏｗａｄｆｓｌ，ｂｃｈｅａｉｎｂｔｅｎｔｅｎｃｅｇｏｐｄａｄｉｍｅｉａｅｎｓｍｅａｐｃｓＴｏｃｐｉｎｏｏｐｅｎｉｈｒｕｓｐｔｆｒｒｒｔｙｙｗｈｉｈｔｅｒｌｔｏｅｗｅｈｉｈｒｕｓｏｈｈｉｉｎａｃｄＴｈｎ１ｓ昂ｏｈｈｏｉｓａｄｔｅｒｓｌｏｅｅｒｈｓｓｏｔａｈｅｃｎｅｇ。ｅｏｉｎｄｅｆｃｅｔｏｈｍｐｏｅｇｒｈｍｒｓｅｈｎｅ．ｅａａｙｉｆｔｅｔｅｒｅｎｈｅｕｔｆｒｓａｃｅｈｗｈｔｔｏｖｒｅｔｖｌｃｔａｆｉｎｆｔｅｉｒｖｄａｏｔａｅｎｙｉｌｉ

一种改进的遗传算法

生的个体，而是取其中的一部分，另一部分来自于父本代群体，这两部分一起构成下一代群体。本文提出了一种改进的遗传算法，实验结果表明，改进的遗传算法比标准的遗传算法效果要好很多。关键词：遗传算法：杂交算子：变异算子：群体
中图分类号：Ｔ３１Ｐ０文献标识码：Ａ文章编号：１７ — ７２（０６４０３ — ３６１４９一２０）— ０５０
为１００，初始基因值设定是随机的。１３适应值函数的设计．
Ａｂｔｃ：ｎｏｄｒｔｍｒｖｈａａｉｉｙｏｅｒｈｎｔｎａｄｇｎｔｃａｌｏｉｈｓ，Ｗｃｏｓｔｅｎｘ－ｓｒｔＩｒｅｏｉｐｏｅｔｅｃｐｂｌｔｆｓａｃｉｓａｄｒｅｅｉｇｒｔｍａｅｈｏｅｈｅｔ
ｐｕｌｏｐａｔｉｎｏｔｎｌｉｔｎｅ－ｐｕｌｉｔｈｗａｃｍｅｎｔｂｎｇｎｏｏｆｒｓｅｒｏｎｏＹｎｈｅｗｏｐａｔｏｎａｔｓｏｉｏｅｉｉｐｏｌｃｏｓｏｖｗｈｅｅｈｅｐｅａｔｏｆｒｔｏｒｏｒｃｏｓｏｖｒａｎｅｏｐｒｏｒｆｍｕａｔｉａｓｕｓｄｏｐｄｕｉｎｔｎｎｄｖｉａｌ，ｂｔａｌｓｎｈｏｄｏｐａｔｉｎ．ｒｓｅｄｔｈｅａｔｏｔｏｎｗｅｔｒｏｃｇｈｅｅｗｉｉｄｕｕｏｉｔｅｌ－ｐｕｌｏ
理论上讲，初始群体中每个个体的染色体可以任意设定，但是如果初始群体中个体染色体的基因种类过于简单，将增加遗传算法演化的代数。在群体规模的大小方面，规模太小，群体携带的基因种类不够丰鬣规模太大，会占用较多的存储空间，另外增加计算量。在本文的实验中，群体规模大小

运用改进的遗传算法进行框架结构损伤检测

运用改进的遗传算法进行框架结构损伤检测
尹涛，朱宏平，余岭ｈ。
（．中科技大学土木工程与力学学院。湖北武汉４０７；１华３０４２长江科学院爆破与振动研究所，北武汉４０１）．湖３００
摘要：运用一种改进的遗传算法来进行结构的损伤检测研究。该方法在传统遗传算法的变异算子里引入了一种被
称为零变异率因子的参数，得种群中时刻保持一定数量的零值元素，相当于用结构的损伤只是发生在局部这使即
的动力特性；然后通过定义ＦＭ各个部位刚度降低Ｅ
系数（ＲＣ）反映损伤发生位置和损伤的程度，Ｓ来同时忽略结构损伤部位质量的微小变化；后建立目最
标函数，通过极小化结构损伤后的实测模态与修正
维普资讯
第１卷第４９期
２００６年１月２
振动工程学报
ＪｕｎｌｆＶｉｒｔｏｇｎｅｉｇｏｒａｂａｉｎＥｎｉｅｒｎＯ
Ｖｏ。９Ｎｏ４ｌ１，
Ｄｅ．２０ｃ０６
而，近些年来，已有不少学者将ＧＡ应用到结构的损
入～个称为零变异率因子（ｅｏＭｕａｉｎＲａｉＺｒｔｔｔｏｏＦｃｏ，称ＺＦ）ａｔｒ简ＭＲ的控制参数，得每代种群的使
个体中都保持了一定比例的零值元素，即相当于用结构损伤只是发生在局部这个信息约束了Ｇ使得Ａ，

稠油稀释后粘度的计算方法及其改进

稠油稀释后粘度的计算方法及其改进稠油是一种高粘度的原油，需要进行稀释来降低粘度，以便提高流动性。

稀释后的粘度是决定稠油能否被有效开采和输送的重要参数之一、本文将介绍稠油稀释后粘度的计算方法，并提出一种改进方法。

稠油稀释后粘度的计算方法通常使用相对粘度模型。

相对粘度是指在一定条件下稠油与稀释剂混合后的粘度与两者单独粘度之比。

相对粘度可以通过实验室测试获得，但是这种方法耗时耗力，并且不适用于现场应用。

因此，研究人员提出了一种基于化学组成的计算方法，该方法通过油液的组分含量来预测稀释后的粘度。

这种计算方法基于混合规则，根据稀释剂与稠油的溶解度和界面张力来计算稀释后的粘度。

具体步骤如下：1.确定稀释剂和稠油的物理性质，包括密度、黏度和溶解度。

2.确定混合规则，可以选择理想混合规则或者非理想混合规则。

理想混合规则假设混合物的性质只与组分的摩尔分数有关，而非理想混合规则则考虑了其他因素的影响，如局部浓度效应和相互作用力。

3.根据混合规则计算稀释剂与稠油的摩尔分数。

4.使用所选的相对粘度模型计算混合液的相对粘度。

5.根据稠油与稀释剂的摩尔分数和相对粘度计算稀释后的粘度。

除了上述传统的计算方法，还有一些改进方法可以提高稠油稀释后粘度的计算精度。

一种改进的方法是结合人工神经网络（ANN）和遗传算法（GA）来建立稀释后粘度的预测模型。

通过训练神经网络，将稠油样本的化学组成和实际测试得到的相对粘度之间的关系建模，然后使用遗传算法来优化网络的结构和参数，从而提高模型的预测精度。

另一种改进的方法是使用机器学习算法，如支持向量机（SVM）和随机森林（RF），来预测稀释后的粘度。

这些算法通过学习训练样本的特征和相对粘度之间的关系，构建一个预测模型。

与传统的计算方法相比，机器学习算法可以处理更复杂的数据关系，对于预测精度提高有一定的优势。

综上所述，稠油稀释后粘度的计算方法主要是基于相对粘度模型和混合规则。

然而，传统的计算方法存在一定的精度和适用性的限制。

一种改进的遗传优化算法

４重复步骤２和３，直到所有邻域操作均不能）））改进解的质量为止。
３在Ａ。自交换区域后依次删除与交换区域相）中同的城市码，则两个子串变为
Ａ ” ５３２８＝６４１７Ｂ” ５８１＝３４６７２
次提出遗传算法（ｎｔｃＧｅｅｉＡｌｏｉｈｇｒｔｍ，ＧＡ），。遗２１传算法是模拟达尔文的遗传选择和自然淘汰的生物进
化过程的计算模型，可在复杂、庞大的搜索空间中寻
上进行遗传操作。它对适应度函数没有特别的要求，只要针对于输入可计算出能加以比较的非负结果即可，这一特性使得遗传算法应用范围很广。
１遗传算法求解ＴＰＳ
ＴＳ是一个易于描述却难以处理的ＮＰＰ难题，ＴＳＰ因其典型性已成为比较各种启发式搜索、优化算法性
传统搜索方法大都是单点搜索算法，即通过一定
的规则，使问题的解从搜索空间的一点移到另一点。对于多峰分布的搜索空间，这种点对点的搜索方法常
一
种改进的遗传优化算法
＿
ｌБайду номын сангаас孙小勇
ｌ唐山市城市建筑工程总公司唐山０３０６００
摘要讨论了遗传算法的基本原理，提出一种引人局部搜索机制的遗传算法，并用于求解ＴＳＰ。实验表明，本算法在城市规模较小时，能１０Ｏ％求得最优解，而且寻优速度很－陕；当城市规模较大时，能在很短的时间内求得次优解。

一种改进的遗传算法

ｇｎｔｖｌｔｎ，ｂｅｎｅｉｔｇＧｎｔｌｏｉｍ，ｄｓｇｓａｉｒｖｄＧｎｔｌｏｔｍｈｃｈｇｄｗｔｅｄｇｅｆｅｅｃｅｏｕｉｉｏｓａｄｏｘｓｎｉｅｅｉＡｇｒｈｃｔｅｉｎｍｐｏｅｅｅｃＡｇｒｈｗｉｈｃａｅｉｔｅｒｅｏｉｉｎｈｈ６．ＢｈｅｃｍｐｒｏｆｅｉｒｖｄＧＡａｄｔｅｓａｄｒＡｉｏｕｉｇｔｅｔｓｎｔｙｔｏａｓｎｏｔｍｐｏｅｉｈｎｈｔｎａｄＧｎｃｍｐｔｈｅｔｇｍｏｅ．ｔＯｌｅｅｉｏｔｅｒｓｌｔａｎｉｄ１ｉＣＩｂａｌｇｔｕｔｔｓｙｈｅｈｈｔｅｉｒｖｍｐｏｅＧＡｒｘｅｌｎ．Ｔｅｓｍｕａｏｎｉａｅｈｔｔｅｍｏｅａｏｕｙｏｔｉｏｄｅｐｒｎｓｌ，ｕｓｄｉｍｏｅｅｃｌｔｈｉｌｔｎｉｄｃｔｓｔａｄｌＣｎｔｌｂａｎｇｏｘｉｓｅｉｈｎｏｅｍｅｔｒｕｔｂｔａｏｅｌｈｖｇｖｌｔｎｅｉｉｎｙａｅｈｈｅｏｕｉｆｃｅｃ．ｉｏＫｅｒｓａｔｃａｆ；Ｇｎｔｇｒｔｍ；ｅｏｕｉｎ；ｆｔｅ；ｃｏｓｖｒｙｗｏｄｉｒｆｉｌｆｅｅｅｉＡｏｈｉｉｉｃｌｉｖｌｔｏａｈｒｒｓｏｅ；ｍｕａｏｔｔｎ；ｂｈｖｏｅｅｔｎｉｅａｉｒｓｌｃｉｏ

优化算法之遗传算法（GeneticAlgorithm,GA）

优化算法之遗传算法（GeneticAlgorithm,GA）⽬录概述遗传算法（Genetic Algorithm, GA）起源于对⽣物系统所进⾏的计算机模拟研究。

它是模仿⾃然界⽣物进化机制发展起来的随机全局搜索和优化⽅法，借鉴了达尔⽂的进化论和孟德尔的遗传学说。

其本质是⼀种⾼效、并⾏、全局搜索的⽅法，能在搜索过程中⾃动获取和积累有关搜索空间的知识，并⾃适应地控制搜索过程以求得最佳解。

相关术语基因型(genotype)：性状染⾊体的内部表现；表现型(phenotype)：染⾊体决定的性状的外部表现，或者说，根据基因型形成的个体的外部表现；个体（individual）：指染⾊体带有特征的实体；种群（population）：个体的集合，该集合内个体数称为种群的⼤⼩编码(coding)：DNA中遗传信息在⼀个长链上按⼀定的模式排列。

遗传编码可看作从表现型到基因型的映射。

解码(decoding)：基因型到表现型的映射。

交叉(crossover)：两个染⾊体的某⼀相同位置处DNA被切断，前后两串分别交叉组合形成两个新的染⾊体。

也称基因重组或杂交；变异(mutation)：复制时可能（很⼩的概率）产⽣某些复制差错，变异产⽣新的染⾊体，表现出新的性状。

进化(evolution)：种群逐渐适应⽣存环境，品质不断得到改良。

⽣物的进化是以种群的形式进⾏的。

适应度(fitness)：度量某个物种对于⽣存环境的适应程度。

选择(selection)：以⼀定的概率从种群中选择若⼲个个体。

⼀般，选择过程是⼀种基于适应度的优胜劣汰的过程。

复制(reproduction)：细胞分裂时，遗传物质DNA通过复制⽽转移到新产⽣的细胞中，新细胞就继承了旧细胞的基因。

遗传算法的实现过程遗传算法的实现过程实际上就像⾃然界的进化过程那样。

⾸先寻找⼀种对问题潜在解进⾏“数字化”编码的⽅案，（建⽴表现型和基因型的映射关系）。

然后⽤随机数初始化⼀个种群（那么第⼀批袋⿏就被随意地分散在⼭脉上），种群⾥⾯的个体就是这些数字化的编码。

一种改进的遗传算法分析

Ｄｅｃｅｍｂｅｒ，２０１６
传算法过程分为以下５个阶段：（１）编码并生成初始群体；（２）计算每个个体的适应度。若得到最优解，则停止运算，运算结束，否则继续进行下次运算；（３）按照事先设定好的选择策略，选出一些适应度较高的个体，抛弃其余适应度较低的个体；（４）通过交叉算子生成新的个体；（５）对新个体进行变异操作，返回（２）。
算法直接将搜索信息定为目标函数，首先给出一个确定的范围，然后并行地对多个值同时进行搜索，因此和其他的优化算法相比遗传算法的求解速度更快，更能够有效地处理多值多变的实际问题，例如生产调度问题、旅行商问题、自动控制问题、复杂布局问题以及神经网络问题。２遗传算法的特点 ‘ （１）在搜索过程，不需要优化函数导数的存在，也不需要优化函数保持连续。（２）因为遗传算法的搜索信息是目标的函数值，因此对函数的性质没有任何要求，在实际应用中具有较好的普适性，并且可以非常方便地和其他算法进行融合，即易扩
一
４算法改进
作为遗传算法中三大基本算法之一的交叉算法，在遗传算法中起着非常重要的作用，是最关键的算法。交叉算子的好坏直接影响着遗传算法的收敛性，决定着收敛速度。设计优良的交叉算法能加快收敛速度，提高性能。本文给出一个智能交叉算子，把传统的交叉操作分解成智能交叉算子与变异算子两个部分。对智能交叉算子操作得到新的最优个体，这个最优个体优于待交叉最优个体。这样更有利于个体生存，更能适应环境变化。如图２所示，通过改进算法，找到最优解，可以加快收敛速度，使收敛性更强。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｍｘｔｅＥ（ｘｅｌｏｔｉｔｎｌｏｉｍｉｔＧｏｌｐｏｅｔｅａｏｅｄｆｃ．ｉｈＯｅｔｍａｐｉｚｉ）ａｒｈｏＡｃｕｄｉｒｂｖｅｔｒｍａｏｇｔｎｍｖｈｅｓＫｅｏｄ：ｇｎｔｌｒｈＧ；ｙｒ — Ａ；ｘｅｌｐｉｚｔｎａｏｔｍ；ｏａｍｎｍｍｙｗｒｓｅｅｃａｏｉｍ（Ａ）ｈｂｄＧｅｔｍａｏｔａｉｌｒｈｌｃｌｉｉｕｉｇｔｉｒｍｉｏｇｉ
ＡｂｔａｔｈａｉＧ（ｅｅｉａｏｔｍ）ｈｓｏｅｒｂｅｃｓｈｏｒｂｌｙｏｌａｓａｃ，ｈｂｎａｔａｃ— ｓｒｃ：ＴｅｂｓＡｇｎｔｌｒｈｃｃｇｉａｍｏｌｓｈａｔｐｏｉｔｆｏｌｅｒｈｔｅａｕｄｎｃｌｓｐｍｓｕｅａｉｃｕ
中图分类号：Ｔ３９；Ｐ０．Ｐ０Ｔ３１６文献标志码：Ａ文章编号：１０ — ６５２１）９３０ — ２０１３９（０２０ — ３７０
ｄｉ１．９９ｊｉｎ１０ — ６５２１．９０８ｏ：０３６／．ｓ．０１３９．０２０．２ｓ
Ｉｒｖｄｇｎｔｌｏｉｈ：ｍｐｏｅｅｅｉａｇｒｔｍＧＡ— ｃＥＯｌｏｉｈａｇｒｔｍ
ＨＥＪａｒ．ＬｅｄｎｉＩＸｕ．ｏｇ
（．ｃｏｌｆＣｍｕｅｃｅｃＥｇｎｅｉｇｎｖｒｔｏｌｔｎｃＳｉｃ１ＳｈｏｏｐｔＳｉｅ＆ｎｉｒ，ＵｉｓｙｆＥｅｒｉｃｎｅ＆ＴｃｎｌｙｏＣｉａＣｅｇｕ６１３，Ｃｉａ２Ｃｌｇｏｒｎｅｎｅｉｃｏｅｅｈｏｇｈｎ，ｈｎｄ１７１ｈｎ；．ｏｅｅｏｏｆｌｆＣｍｕｒＳｉｃＴｃｎｌｙｈｎｄｎｖｒｔｆｒｔｎＴｃｎｌｇ，Ｃｅｇｕ６０２Ｃｉａｏｐｔｃｎｅ＆ｅｈｏ，ＣｅｇｕＵｉｓｙｏＩｏｍａｉｅｈｏｏｙｈｎｄ１２５，ｈｎ）ｅｅｏｇｅｉｆｎｏ
遗传算法是一种自适应概率性全局优化搜索算法。作为
一
ＥＯ算法易于实现、计算量小、算法效果好，因此得到了广泛的应用。该算法的基本步骤如图１所示。
种智能化的全局搜索算法，２纪８自Ｏ世０年代问世以来，在
诸多领域的应用中展现出其特有的魅力，同时也暴露出许多不足和缺陷。遗传算法在实际应用中存在以下几方面的缺陷… ：
ａ全局搜索能力很强而局部寻优能力较差。具体表现为）遗传算法可以用很快的速度搜索到最优解附近，但要进一步达
到最优解则速度极慢。ｂ对搜索空间变化的适应能力差。当搜索空间增大时，）
基本遗传算法需急剧扩大种群规模以实现全局搜索，而极大从
第２９卷第９期
２１０２年９月
计算机应用研究
ＡｐｌｃｔｎＲｅｅｒｈｏｏｕｅｓｐｉａｉｓａｃｆＣｍｐｔｒｏ
Ｖｏ．９Ｎｏ９１２．
Ｓｐｅ．２２０１
一
种改进的遗传算法： — Ｏ算法ＧＡＥ
ｌｔｄｑｕｎｉｙ，ａｄｔｏｒａｉｉｙｆｒｓａｃｉｇｓａｅａｏｓｒｃｎｏａｎｉａｅａｔｔｎｈｅｐｏｂｌｔｏｅｒｈｎｇｂｉｐｃｎｄｃｎｔｉｔｉｌｃｌｍｉｍｕｍａｉｙｅｃ．Ｅｘｒｍｅｔｐｒｖｓｔｔｔｅｓｌｔｐｅｉｎｏｅｈａｏ
小值等问题，用将极值优化（Ｏ算法与传统遗传算法相结合的方式，采Ｅ）对基本遗传算法进行改进，出了一种提新的算法：ＡＥＧ —Ｏ算法，用实验证明了新算法的有效性。并
关键词：遗传算法；合遗传算法；极值优化算法；局部极小混
地增加了计算量，不仅影响了算法效率，阻碍了遗传算法在更
工程实践中的应用。Ｃ易出现早熟收敛现象。当种群规模较小时，果在进）如

化初期出现适应度较高的个体，群体的多样性往往会受到破坏，从而出现早熟收敛现象。本文针对基本遗传算法的上述缺陷，算法加以改进，对将极值优化算法与遗传算法相结合，出一种混合遗传算法，提力求克服以上缺陷。
何嘉，李雪冬。
（．电子科技大学计算机科学与工程学院，成都６１３；．成都信息工程学院计算机学院，成都６０２）１１７１２１２５
摘
要：针对基本遗传算法（Ａ有局部搜索能力差、算量大、Ｇ）计对较大搜索空间适应能力差和易收敛于局部极
１极值优化算法
极值优化（Ｏ）算法由Ｂｅｃｅ在国际遗传与进化计Ｅｏｔｈｒｔ算会议上提出。算法的思想源于自组织临界理论，其突出的特