遗传参数协同进化的自适应遗传算法
第２７卷第１１期 计算机仿真 ２０１０年１１月
文章编号：１００６—９３４８（２０１０）１１—０２０４—０５
遗传参数协同进化的自适应遗传算法
李坤，李军华，杨小芹
（南昌航空大学无损检测教育部重点实验室，江西南昌３３００６３）
摘要：在智能计算技术中，为了提高收敛速度和缩短运行时间，提出了一种遗传参数协同进化的自适应遗传算法，解决遗传 算法优化复杂的多峰值函数时出现早熟的问题。在其中的选择运算中引入一种抗早熟机制，在交叉运算中动态调整交叉算 子，并在交叉率的调整中考虑海明距离的因素。在仿真实验中，用新算法对几个典型的多峰值函数进行优化，实验结果表明 算法可以有效的避免早熟问题，收敛性能明显优于基本遗传算法和自适应遗传算法，适用于信息处理和模式识别领域。 关键词：遗传算法；自适应；海明距离 中图分类号：ＴＰ１８ 文献标识码：Ａ
Ａｎ Ａｄａｐｔｉｖｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ
Ｐａｒａｍｅｔｅｒｓ Ｃｏｏｐｅｒａｔｅｄ ｗｉｔｈ Ｅｖｏｌｕｔｉｏｎ
ＬＩ Ｋｕｎ，ＬＩ Ｊｕｎ—ｈｕａ，ＹＡＮＧ Ｘｉａｏ—ｑｉｎ
（Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｎｏｎｄｅｓｔｒｕｃｔｉｖｅ ｔｅｓｔ ｏｆ Ｃｈｉｎｅｓｅ Ｅｄｕｃａｔｉｏｎ Ｍｉｎｉｓｔｒｙ，
Ｎａｎｃｈａｎｇ Ｈａｎｇｋｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ Ｊｉａｎｇｘｉ ３３００６３，Ｃｈｉｎａ）
ＡＢＳＴＲＡＣＴ：Ａｎ Ｉｍｐｒｏｖｅｄ Ａｄａｐｔｉｖｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｐａｒａｍｅｔｅｒｓ Ｃｏｏｐｅｒａｔｅｄ ｗｉｔｈ Ｅｖｏｌｕｔｉｏｎ（ＰＣＥＡＧＡ） ｉｓ ｉｎｔｒｏｄｕｃｅｄ ｆｏｒ ｓｏｌｖｉｎｇ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｐｒｅｍａｔｕｒｅ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｉｎ ｔｈｅ ａｌｇｏｒｉｔｈｍ，ａ ｒｅｓｉｓｔｉｎｇ ｐｒｅｍａｔｕｒｅ ｍｅｃｈａ．
ｎｉｓｍ ｉｓ ｉｎｔｒｏｄｕｃｅｄ ｉｎｔｏ ｓｅｌｅｃｔｉｏｎ ｏｐｅｒａｔｉｏｎ，ｃｒｏｓｓｏｖｅｒ ｏｐｅｒａｔｏｒ ｉｓ ｄｙｎａｍｉｃａｌｌｙ ａｄｊｕｓｔｅｄ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｃｒｏｓｓｏｖｅｒ ０ｐ—
ｅｒａｔｉｏｎ，ａｎｄ ｔｈｅ ｈａｍｍｉｎｇ ｄｉｓｔａｎｃｅ ｉｓ ｃｏｎｓｉｄｅｒｅｄ ａｓ ａｎ ｉｍｐｏｒｔａｎｔ ｆａｃｔｏｒ ｏｆ ｓｅｌｆ—ａｄａｐｔａｔｉｏｎ ｏｆ ｃｒｏｓｓｏｖｅｒ ｒａｔｉｏ．Ｉｎ ｔｈｅ
ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ，ｓｅｖｅｒａｌ ｍｕｈｉｐｌｅ ｐｅａｋｓ ｆｕｎｃｔｉｏｎｓ ａｒｅ ｏｐｔｉｍｉｚｅｄ ｂｙ ｔｈｅ ｎｅｗ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｒｅｓｕｌｔｓ ｐｒｏｖｅ ｔｈａｔ ｔｈｅ
ａｌｇｏｒｉｔｈｍ ａｖｏｉｄｓ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｏｆ ｌｏｃａｌ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ａｎｄ ｓｈｏｗｓ ｇｒｅａｔ ａｄｖａｎｔａｇｅｓ ｏｆ ｓｉｍｐｌｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ
ａｄａｐｔｉｖｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｎ ｃｏｎｖｅｒｇｅｎｃｅ．
ＫＥＹＷＯＲＤＳ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ａｄａｐｔｉｖｅ；Ｈａｍｍｉｎｇ ｄｉｓｔａｎｃｅ
１ 引言
遗传算法“ （Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ，ＧＡ）是Ｊ．Ｈｏｌｌａｎｄ教授
于１９７５年受生物进化论的启发而提出的，它是基于进化过
程中的信息遗传机制和优胜劣汰的自然选择原则的全局优
化概率搜索算法。由于遗传算法的整体搜索策略和优化计 算时不依赖于梯度信息，所以，其应用范围非常广泛 Ｊ。它
在模式识别、信息处理、组合优化、机器学习、规划策略和人 工生命等领域的应用中展示出优越性和魅力，从而也确定了
它在智能计算技术中的关键地位。
基本遗传算法作为一种全局优化的概率搜索算法，存在
收敛速度慢、运行时间长，早熟等问题。自适应遗传算法
是由Ｍ．Ｓｒｉｎｉｖａ提出的，它在遗传算法的重要参数交叉率和
变异率的调整上引入了自适应机制。自适应遗传算法能够 比较有效的解决基本遗传算法收敛速度慢，运行时间长等问
题。但是，自适应遗传算法对解决早熟问题的收效不大，尤
其是对于类似ＳｅｈａｆｆｅｒＦ 的多峰值函数，结果并不理想 』。
此外，自适应遗传算法交叉概率的调整基础过于单一，并且
仅将适应度作为参数调整的准则，忽略了海明距离等其它有
用信息。在进化过程中只使用一种交叉算子，不对交叉算子
做任何自适应调整。这些情况都说明经典自适应遗传算法
仍有进一步改进的空间和必要。
本文针对自适应遗传算法存在的问题，提出了一种改进
思路。在交叉率自适应调整的过程中综合考虑个体的海明
距离和适应度的作用，并且建立交叉算子库，为每一次交叉
运算匹配不同的交叉算子，进一步增加交叉运算结果的多样
性，并对选择和变异运算做了相应改进。
基金项目：基金项目：国家自然科学基金资助项目（６０９６３００２）；航空 科学基金项目（２ｏｏ８ｚＤ５６０Ｏ３） ２ 遗传参数协同进化的自适应遗传算法
收稿日期：２００９—０８—０４修回日期：２００９—１０—１２ ２．１算法改进的思路
－－－——２０４－．—
—— 本文提出了一种遗传参数协同进化的改进遗传算法。
为了解决自适应遗传算法中存在的问题，本文提出的算法从
以下三个方面做出了改进。
１）多样化交叉概率的调整基础，在个体编码串中添加
附加码，其中记录为个体匹配的交叉率，并作为交叉率自适
应调整的基础。 ２）改进交叉率自适应调整的规则，增加海明距离作为
调整规则的一部分，与适应度函数值一起作用于交叉率调
整。 ３）在选择运算中引入抗早熟机制，适当的降低选择压
力，避免进化初期出现超级个体，进一一步降低算法早熟的概
率。 ２．２选择运算
选择运算采用轮盘赌的策略，结合最优个体保留策略。
其中保留的最优个体的个数为２个，其他个体则通过模拟轮
盘赌的方式选出进入下一步的选择运算。本文在选择运算
的过程中引入了一种抗早熟机制，即个体被选中的概率不等
于其适应度大小，而是与适应度大小之间有一定的函数关
系。个体被选中的概率与个体适应度的关系如式（１）
Ｐ ＝（Ｆｉｔｎｅｓｓ ） （１）
Ｐ Ｐ ＝ 一 （２） ∑Ｐ
其中，０＜ｄ≤１为常数，式（１）所提供的概率要经过归
一化之后才能用于轮盘赌选择。归一化的方法如式（２）所
示，其中，１１３为群体规模。当个体的适应度函数值大于１时，根
据式（１）得到的概率会大于个体本身的适应度，并且参数ｄ
越小，这种效果越明显。在这里简单的证明一下，这种方法有
效的增加了适应度函数值较小的个体被选中的概率，可以防
止算法过早的收敛于局部最优解。
假设当前群体中适应度最大值为，某个体的适应度函数
值为＿厂ｍ ，并且有 。那么 《 …，在选择运算当中，它们被选
中的概率分别是：
Ｐ ：｝ ：
∑ ∑
于是，￣１．２ｍ ｐ￣一： 表示适应度较小的个体在模拟
轮盘赌中被选中的概率。
同理，对于式（１）和式（２）中描述的方法，也可以计算出
适应度较小的个体和适应度最大的个体在轮盘赌中被选中
的概率分别是：
Ｐ ： ，Ｐ ：单
∑（ ）。 ∑（ ）
得到适应度较小个体在轮盘赌中被选中的概率应该为
≥ （ ） ０满足条 ，。 ≤ ，所以，根据中学 数学的相关知识可知． ＜ｆ皇 ，得出结论旦＜ 。 ￣，
ｍ ＼‘，…，Ｐ…Ｐ… 因此，使用式（１）和式（２）所表示的方法，计算得出的结
果，可以有效的提高适应度较小的个体在模拟轮盘赌中被选
中的概率，同时降低了适应度高的个体被选中的概率。在本 文的实验中根据实际情况为不同的测试函数选择了不同的
值。
２．３交叉运算
交叉运算在被选择出来的个体当中，随机选取两个体，
将个体附加码中的交叉率读出后，作为交叉率自适应调整的
基础。然后在对个体问的海明距离取常用对数，并将结果直
接加到调整基础上得到这次交叉运算的交叉率。
，』、 Ｐ ＝Ｐ ＋ｌｇ《÷ｌ （３） 、Ｕ， 式（３）是交叉运算中对于交叉率的自适位调整。在式
（３）中，Ｐ ——调整交叉率的基础，本身与个体的适应度有
关，具体关系见表１；ｄ——参与交叉运算的两个体之问的海
明距离； ——人为设定的海明距离闽值，这个阈值根据多
次试验得到的经验，取值在个体编码串长度的三分之－－－效果
比较好；改进算法通过对个体参考交叉率的初始化和表１中
方式，基本达到了经典自适应遗传算法对交叉率凋整的目
的，同时改进算法在交叉算子的选用 ，选择不Ｉｉｊ】的交叉算
子增加了运算结果的多样性。
在选用交叉算子的问题上，将不同的ｊ种交叉算子——
多点交叉算子，均匀交叉算子和算数交义算子制成算 库，
并且根据参与运算的两个体的适应度 平均适应度的关系
选择不同的交叉算子的具体规则见表１。
表１交叉算子选用规则表
表１中为 ——适应度较大的个体 ．．．．——适应度较
小的个体；ｐ…——较大的参考交叉率； ——较小的参考
交叉率； ——两个体的平均参考交叉率； ２．４变异运算 变异运算中变异率取Ｐ ：０．１，使用高斯变异算子 由
于使用了最优个体保留策略，所以在变异运算中，可以尽可
能的加大在当前最优个体附近进行搜索的概率以求得更优
的解，而不用担心会破坏已经存在的优良模式 因此，本文
将当前最优个体的变异概率置为１，加大在最优个体周围进
行搜索的概率。因为已经最优个体被存储起来，昕以即使变
异结果不理想也不用担心会破坏其中的优良模式。
２．５算法的基本步骤
１）令进化代数计数器ｇｅｎ＝０，随机产生初始群体；
——２０５．．．
——
遗传算法计算步骤
遗传算法计算步骤
遗传算法是一种受到生物进化理论启发的优化算法，适用于求解复杂的优化问题。其核心思想是通过模拟生物种群的遗传机制，以自然选择、遗传操作和种群演化等方式，逐步优化问题的解。
遗传算法的基本步骤如下：
1.确定问题的适应度函数：适应度函数是遗传算法的核心指标，用于衡量每个个体的适应度。适应度函数的设计需要充分考虑问题的特点，以确保能够准确评估每个解的质量。
2.初始化种群：创建一定数量的个体作为初始种群。个体的构成方式可以根据具体问题而定。通常，每个个体由一组可调节参数组成。
3.确定遗传算法的参数：包括种群大小、遗传操作的概率及参数等。这些参数对于遗传算法的效果有着重要的影响，需要根据实际问题进行调整。
4.评估个体的适应度：利用适应度函数计算每个个体的适应度值。适应度值越高，表示个体的解越优。
5.进化操作：包括选择、交叉和变异等。选择操作根据个体的适应度值选择部分个体作为下一代的父代，常用的选择算法包括轮盘赌选择和竞争选择等。交叉操作通过随机选择一些个体进行基因交换，以产生新的个体。变异操作则是对个体的一些基因进行变异，以增加种群的多样性。
6.生成新种群：通过选择、交叉和变异操作，生成下一代种群。新种群的个体数量通常与初始种群相同，以保持种群的稳定性。 7.判断终止条件：设定一定的终止条件，如达到最大迭代次数、适应度达到一定阈值等。如果终止条件满足，则结束算法，否则返回第4步。
8.输出最优解：遗传算法往往会收敛到一个较好的解，通过输出当前最优个体，得到优化问题的解。
总的来说，遗传算法的基本步骤包括确定适应度函数、初始化种群、确定算法参数、评估个体适应度、进化操作、生成新种群、判断终止条件和输出最优解。在实际应用中，根据具体的问题特点和要求，可以进一步改进和优化遗传算法的步骤和参数，以提高算法的效果和收敛速度。
自适应遗传算法交叉变异算子的改进
自适应遗传算法交叉变异算子的改进
自适应遗传算法交叉变异算子的改进是一种能够更好地适应复杂环境的遗传算法变异算法。传统的遗传算法变异算子需要在交叉变异的过程中设置固定的参数以及变异概率，这一流程给实施遗传算法带来了很多困难，经常无法得到期望的结果。为了解决这一问题，目前提出了自适应遗传算法交叉变异算子的改进思想。
自适应遗传算法交叉变异算子的改进，使用学习方法根据环境条件，动态调整变异参数和变异概率。这样能够有效地根据实际情况，调节算子的参数，获得最优的变异参数和变异概率，从而提高遗传算法的求解效率。
最后，自适应遗传算法交叉变异算子的改进同时带来了另一个优势：可以更好地调整遗传算法交叉变异算子参数和变异概率，帮助合理匹配算法参数，减少求解运行过程中的误差和损失，从而提高遗传算法的求解质量。
基于实数编码的参数自适应遗传算法（matlab代码）
基于实数编码的参数⾃适应遗传算法（matlab代码）
实数编码的遗传算法寻优：
遗传算法的基本操作算⼦：
（1）选择算⼦
选择算⼦的作⽤主要是避免优良基因的丢失，使得性能⾼的个体能以更⼤的概率被选中，有机会作为⽗代繁殖下⼀代，从⽽提 ⾼遗传算
法的全局收敛性及计算效率。常见的选择算⼦包括轮盘赌选择法、随机遍历抽样法、局部选择法及锦标赛选择法等。选择算⼦采⽤轮盘赌；
（2）交叉算⼦
在遗传算法中，交叉算⼦是区别于其它优化算法的本质特征，⽤于组合新的个体在解空间中快速有效地进⾏搜索，同时也降低了对有效模式的破坏程度，起到全局搜索寻优的效果。交叉算⼦直接影响着遗传算法的最终搜索效果，⼀定程度上决定了其发展前景。
其中alpha为参数，0
(3)变异算⼦
群体基因的多样性是保证遗传算法寻找到全局最优解的前提条件，然⽽在进化过程中，遗传选择操作削弱了群体的多样性，上述交叉算
⼦只有满⾜⼀定的条件才能保持群体的多样性，⽽变异操作则是保持群体多样性的有效算⼦，所以变异操作算⼦的选取也是必不可少的。变
异尺度⾃适应变化的变异算⼦在进化初期采⽤较⼤的变异尺度来保持群体的多样性，⽽在后期变异尺度将逐渐缩⼩以提⾼局部微调能⼒。本
⽂在此基础上做些改进，改进后的变异算⼦具有原有算⼦的优点，且操作上⽐原有算⼦简单⽅便，有效地加快遗传算法的收敛速度，具体如下：
可以看出s(t) 决定了变异空间的⼤⼩，在迭代的初期，变异空间较⼤，在迭代的后期，变异空间缩⼩，算法的局部寻优能⼒变强。
变异算⼦参考⽂献: [1] 管⼩艳. 实数编码下遗传算法的改进及其应⽤[D].重庆⼤学,2012.
参数⾃适应：
交叉概率Pc和变异概率Pm是遗传算法的两个重要的参数，这两个参数决定了每个个体进⾏交叉或者变异操作的概率。
⾃适应算⼦参考⽂献：
[2] M. Srinivas and L. M. Patnaik, "Adaptive probabilities of crossover and mutation in genetic algorithms," in IEEE Transactions on
协同进化遗传算法在减压阀优化配置中的应用
Ｖｏ１．４２ Ｎｏ．１ ３６ 计算机与数字工程 Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ 总第２９１期 ２０１４年第１期
协同进化遗传算法在减压阀优化配置中的应用
黄钢 金涛。周泽渊
（Ｉ．９２２４６部队上海２０１９００）（２．海军工程大学动力工程学院武汉４３００３３）
摘要漏损管理中，为了取得更好的经济效益和控制效果，需要将减压阀配置在最优的位置及最优的开度。针对供 水管网漏损管理问题，研究了减压阀优化配置问题，提出了减压阀的漏损管理优化控制数学模型，应用协同进化遗传算法， 对算例管网进行了数值仿真，验证了方法的有效性。 关键词 管道运输；漏损管理；优化控制；协同进化遗传算法 中图分类号Ｕ１７３．４；ＴＰ２７３ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ１６７２—９７２２．２０１４．Ｏ１．０１１
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＣＯ－Ｅｖｏｌｕｔｉｏｎａｒｙ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ｉｎ Ｏｐｔｉｍａｌ Ｐｒｅｓ ｓｕｒｅ Ｒｅｄｕｃｉｎｇ Ｖａｌｖｅ Ｐｌａｃｅｍｅｎｔ
ＨＵＡＮＧ Ｇａｎｇ ＪＩＮ Ｔａｏ ＺＨＯＵ Ｚｅｙｕａｎｚ （１．Ｎｏ．９２２４６ Ｔｒｏｏｐｓ ｏｆ ＰＬＡ，Ｓｈａｎｇｈａｉ ２０１９００） （２．Ｓｃｈｏｏｌ ｏｆ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｖａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ ４３００３３）
Ａｂｓｔｒａｃｔ Ｉｎ ｌｅａｋａｇｅ ｃｏｎｔｒｏｌ ｐｒｏｂｌｅｍｓ，ｐｒｅｓｓｕｒｅ ｒｅｄｕｃｉｎｇ ｖａｌｖｅ ｓｈｏｕｌｄ ｂｅ ｐｌａｃｅｄ ａｔ ｏｐｔｉｍａｌ ｌｏｃａｔｉｏｎ ａｎｄ ｏｐｔｉｍａｌ ｏｐｅｎｉｎｇ ｉｎ ｏｒｄｅｒ ｔＯ ｇｅｔ ｂｅｔｔｅｒ ｅｃｏｎｏｍｙ ａｎｄ ｃｏｎｔｒｏｌ ｅｆｆｅｃｔ．Ａｉｍｉｎｇ ａｔ ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ ｐｒｏｂｌｅｍｓ，ｐｒｅｓｓｕｒｅ ｒｅｄｕｃｉｎｇ ｖａｌｖｅ ｏｐｔｉｍａｌ ｉｓ ｓｔｕｄｉｅｄ．Ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｉｓ ｐｒｅｓｅｎｔｅｄ ｆｏｒ ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ，ａｎｄ ｎｕｍｅｒｉｃａｌ ｓｉｍｕｌａｔｉｏｎ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ ｂａｓｅｄ ｏｎ ＣＯ－ｅｖｏｌｕｔｉｏｎａｒｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｋｅｙ Ｗｏｒｄｓ ｐｉｐｅ ｔｒａｎｓｐｏｒｔａｔｉｏｎ，ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ，ｏｐｔｉｍｉｚａｔｉｏｎ ｃｏｎｔｒｏｌ，ＣＯ－ｅｖｏｌｕｔｉｏｎａｒｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ Ｃｌａｓｓ Ｎｕｍｂｅｒ Ｕｌ７３．４：ＴＰ２７３
一种自适应多Agent协同遗传算法
一种自适应多Agent协同遗传算法
蔡良伟;李霞
【期刊名称】《系统工程与电子技术》
【年(卷),期】2005(27)4
【摘 要】提出了一种自适应多Agent协同遗传算法.该算法由协调控制器下的多个相对独立的Agent组成,每个Agent都是由简单遗传算法构成的计算实体.协调控制器根据每个Agent的产出和成长性,自适应地分配计算资源,使有限的资源得到更加合理的利用.各Agent之间通过个体迁移和跨域交叉进行协作,个体迁移为Agent引入新的遗传基因,跨域交叉能产生出更加优良的后代个体,从而改良各个个体种群的品质.测试结果表明,该算法具有很好的收敛性能.
【总页数】3页(P727-729)
【作 者】蔡良伟;李霞
【作者单位】深圳大学电子工程系,广东,深圳,518060;深圳大学电子工程系,广东,深圳,518060
【正文语种】中 文
【中图分类】TP301.6
【相关文献】
1.协同遗传算法和多Agent系统的生产调度优化 [J], 戴冬;解瑞云
2.一种基于多Agent协同的准并行遗传算法 [J], 江瑞;罗予频;胡东成;司徒国业
3.自适应遗传算法的Multi-Agent交通信号优化控制 [J], 曹洁;张玲 4.一种新的自适应型移动Agent协同工作模型 [J], 赵秀梅;马宏伟;杜向华;秦松
5.用遗传算法实现Multi—Agent协同设计中的子任务调度 [J], 王经卓;胡小兵
因版权原因，仅展示原文概要，查看原文内容请购买
基于搜索空间分割的协同进化遗传算法
龙源期刊网
基于搜索空间分割的协同进化遗传算法
作者：郭方炜 许峰
来源：《软件导刊》2018年第01期
摘要：
针对经典协同进化遗传算法在优化大决策空间问题时计算复杂度较高的问题，提出了一种基于搜索空间分割的协同进化遗传算法，其基本思想是：将种群分割为不同规模的子种群，在进化过程中应用ε自适应方法调整子种群规模。复杂度分析和数值实验表明，改进后的算法可降低算法计算量，提高算法的优化效率。
关键词：
遗传算法；协同进化；空间分割；ε自适应调整；算法效率
DOIDOI：10.11907/rjdk.172249
中图分类号：TP312
文献标识码：A文章编号文章编号：16727800（2018）001009203
Abstract：In order to solve the problem of high computational complexity when the classical
coevolutionary genetic algorithm is used to optimize the large decision space problem， a cooperative
evolutionary genetic algorithm based on the search space segmentation is proposed. The basic idea is
that the population is divided into sub populations with different scales， and the ε adaptive method is
used to adjust the size of the sub population in the evolutionary process. Complexity analysis and
基于自适应算法的遗传算法研究
基于自适应算法的遗传算法研究
遗传算法是一种基于自然进化方式的优化方法，它可以在搜索问题中寻找最优解，以达到优化目的。遗传算法的工作原理是模拟自然选择与遗传机制的过程，通过逐代进化来寻找最优候选解，从而达到求解问题的目的。不过，遗传算法是一种自适应算法，其运作效率取决于选择的参数和算法的实现方式。本文将探讨基于自适应算法的遗传算法研究。
一、遗传算法的基本原理
遗传算法是一种基于进化式自然算法的求解方法，其基本原理是模拟自然界中的遗传机制和自然选择过程。首先，从给定问题的解空间中产生一组随机解作为初始种群；其次，根据问题的适应度函数评估每个个体的适应度；接着，根据选择、交叉和突变操作来生成子代群体。新一代的子代个体将替换掉之前代的父代个体，之后的这个过程将一再重复，直到满足预定的停止准则为止。
二、自适应算法的基本概念
自适应算法是指在设计算法时，可以根据问题的性质和具体求解要求，动态地对算法的参数、结构和模型进行调整和改进的算法。自适应算法经常涉及多元搜索、优化、模式识别和机器学习等问题领域。自适应算法被广泛应用于识别、分类、决策、模拟和优化等问题领域。
三、自适应遗传算法的设计
在传统的遗传算法中，选择操作和变异操作的操作概率、种群大小以及进化代数都是确定的。在自适应遗传算法中，这些参数变成了可以根据问题和历史数据动态改变的变量。自适应遗传算法需要解决的主要问题是参数自适应调节和适应性的变化。
1、参数自适应调节：为了能够适应复杂问题的求解，参数选择和调节非常重要。自适应遗传算法中，能否实现一个好的参数选择及优化目标函数优化问题，是其能力的关键。常见的方法是通过某些规则来动态控制各个参数的值，如进化代数、交叉概率、突变概率、种群大小等。
2、适应性的变化：自适应遗传算法能够对适应性变化引起的问题进行有效的处理，协调地提高遗传算法自身的适应性和优化效果。这里的适应性变化可以是问题本身的变化，也可以是算法其他方面的调节。例如，在复杂问题求解过程中，优化目标函数的变化，或是产生新的约束条件，都会导致遗传算法的适应性变化。为了应对这种情况，可以利用新的进化策略、新的交叉/变异策略或新的适应度函数。
自适应遗传算法3
自适应遗传算法3
在计算机科学领域，自适应遗传算法（Adaptive Genetic
Algorithm，AGA）是一种优化算法，它结合了遗传算法和自适应技术的优点，能够在求解复杂问题时具有较好的性能和适应性。本文将介绍自适应遗传算法的原理、应用领域和优势。
一、自适应遗传算法的原理
自适应遗传算法是在传统遗传算法的基础上引入了自适应机制，使得算法的执行过程更加灵活和智能化。其主要原理如下：
1.1 遗传算法的基本原理
遗传算法是一种模拟生物进化过程的优化算法，其基本原理是通过模拟自然选择、交叉和变异等操作，逐代演化出适应度更高的个体。具体而言，遗传算法包括以下步骤：
（1）初始化种群：随机生成一组初始个体，构成初始种群。
（2）评估个体适应度：根据问题的具体情况，使用适应度函数评估每个个体的适应度。
（3）选择操作：按照一定的选择策略，从当前种群中选择一部分个体作为父代。
（4）交叉操作：对选中的父代个体进行交叉操作，生成子代个体。
（5）变异操作：对子代个体进行变异操作，引入新的基因信息。
（6）更新种群：将父代和子代个体合并，得到新的种群。
（7）重复执行：循环执行上述步骤，直到满足终止条件。
1.2 自适应机制的引入
传统遗传算法中，选择、交叉和变异等操作的参数通常是提前固定的，不具备自适应能力。而自适应遗传算法通过引入自适应机制，可以根据问题的特点和种群的演化状况，动态调整这些参数，提高算法的性能和适应性。
自适应机制的具体实现方式有很多种，常见的有参数自适应和操作自适应两种。参数自适应主要是通过调整选择、交叉和变异等操作的参数值，以适应不同问题的求解需求。操作自适应则是根据当前种群的状态，动态选择适应的操作策略，如选择操作中的轮盘赌选择、锦标赛选择等。
二、自适应遗传算法的应用领域
自适应遗传算法广泛应用于各个领域的优化问题，特别是那些复杂、非线性、多目标和约束条件较多的问题。下面分别介绍几个典型的应用领域。
交叉算子自适应遗传算法
交叉算子自适应遗传算法
自适应遗传算法(Adaptive Genetic Algorithm，AGA)是对基本遗传算法的一种改进，它通过对遗传参数的自适应调整，大大提高了遗传算法的收敛精度，加快了收敛速度。
适应度函数是评价个体适应环境的能力，在进行选择操作时经常用到，它的选取是否恰当直接影响到遗传算法的性能，所以就形成了很多计算适应度的函数，改进这些适应度函数是为了使适应度能更好的反映个体的优劣，使得适应度低的个体被淘汰，适应度高的个体被保留。自适应的适应度函数可以随着种群代数的增加自适应的调整，在算法的开始阶段，适应度差别较大，为了防止一些适应度较差的个体在一开始就丢失，可以通过改变适应度函数使得它们得以保留下来，另外，当种群趋于收敛时，适应度差别很小，这时为了加快收敛的速度，应对适应度进行调整，使得个体适应度差别增大，从而更快的收敛到全局最优解。常用的适应度变换方法有：线性变换、幂函数变换和指数变换。
另外，采用适应度结合了模拟退火的思想。选择的作用是按某种方法从父代群体中选取一些将要进行交叉的个体，常用的选择方法很多，它们大多有一个共同的特点，就是都是基于适应度的选择，适应度大的个体被选中的概率就大，适应度小的个体被选中的概率就小。常用的选择算法有适应度比例法、精英保留策略、联赛选择法等。另外，也可以将这些选择算法混合使用，如今还出现了启发式的搜索选择策略，这种策略是用每个个体所带有的启发信息来确定它被选中的概率。
自适应免疫遗传算法
自适应免疫遗传算法
自适应免疫遗传算法是一种新兴的智能优化算法，其主要思想是模拟免疫系统的进化过程，通过自适应调整算法参数，实现对问题的优化求解。
该算法的基本流程包括初始化、克隆、突变、选择和替换等步骤。在初始化阶段，随机生成一组初始种群，每个个体对应一个解空间的解。接着，在克隆阶段，按照适应度大小对个体进行克隆，生成一批克隆个体。然后，在突变阶段，对克隆个体进行突变，引入一定的随机性，以增加种群的多样性。接下来，在选择阶段，按照适应度大小对突变后的克隆个体进行选择，选出一部分优秀的个体。最后，在替换阶段，将优秀的个体替换掉原有种群中适应度相对较差的个体，以达到优化求解的目的。
与传统遗传算法相比，自适应免疫遗传算法具有以下优点：
1. 自适应性强。该算法能够自适应地调整参数，以适应不同的问题类型和求解难度，提高了算法的鲁棒性和适用性。
2. 收敛速度快。由于算法引入了克隆、突变等机制，增加了种群的多样性，从而能够更快地找到最优解。
3. 具有较强的全局搜索能力。该算法能够有效地避免陷入局部最优解，从而能够更好地发挥全局搜索能力。
4. 算法参数少。该算法只需要调整少量的参数，较为简单，易于实现。
自适应免疫遗传算法是一种具有潜力的智能优化算法，已经在多个领域得到了广泛应用。在未来，该算法还有待进一步完善和发展，以更好地满足实际问题的求解需求。