文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 高等教育 > 工学 > 基于梯度优化的自适应小生境遗传算法
侵权投诉

基于梯度优化的自适应小生境遗传算法

遗传算法小生境技术

xt+1tik=xik+ ik

xt+1jk=xt

(1) jk+ jk其中, a (Ntt

k xik)xik>xtjkt

ik= a (xt

tt, jk=a (xik xtjk),a= ik Mk)

xik<xjkexp( a0t/T);a0为预定系数;t为当前进化代数;T为最大进

化代数;Nk为取值范围的上限;Mk为xik取值范围的下限。 其次,引入非均匀变异算子[6],重点搜索原个体附近的微小区域,增强算法的局部寻优能力,并使交叉量随进化代数的增加而变化。假设变异个体为X,变异点为xi,取值范围[Nk, Mk],变异结果为

xt

+txt+1

k

k

k= (t,Nk x)ifrandom(0,1)=0 xtk

(t,xt

k Mk)ifrandom(0,1)=0 (2) 其中, (t,y)表示[0, y]范围内符合非均匀变异的一个随机数,

按下式定义: (t,y)=y (1 r(1 t/T)b);r为[0, 1]范围内的符合均匀分布的一个随机数;T为最大进化代数;b为一个系统参数,决定了随机数扰动对进化代数t的依赖程度。

3.3 交叉概率和变异概率

对于交叉概率(Pc)和变异概率(Pm)的自适应计算,当Pc过大时,虽然产生新个体的速度快,但容易破坏较优个体的模型。当Pc过小,由于减少了种群的多样性,使算法出现早熟现象。同样Pm过小不易产生新个体,Pm过大,算法就变成随机搜索问题,而且影响收敛速度。为此,在进化过程中根据不同个体各自的适应度自适应的调整交叉概率和变异概率,计算方法如下:

k1(fmax f')P=

f'≥fc fmax f

kf'<f (3)

3 k2(fmax f)P=

f≥fm f max f

kf<f

(4)

4

其中,fmax为群体中最大的适应值;f为每代群体的平均适应值;f'为要交叉的2个个体中较大的适应值;f为个体的适应值;k1,k2,k3,k4取(0, 1)区间的值。

3.4 改进的梯度算子

梯度算法的一般定义:在种群中选择一个个体X,维数为m,假设在X染色体上产生一个随机扰动 X=( x1, x2,", xm),设目标函数为f(X)。在一般的基于微分寻优的方法中都通过按梯度向量所指的方向寻找最优解,目标函数f(X)的m维梯度向量为 f(X)=

(

f f x,,",f),假如该向量方向始终指向增长方向,说明1 x2 xm

该方向是指向最大值,朝相反的方向移动得到极小值:

Xt+1=Xt G (5)

当该向量方向指向下降的方向,则该方向指向最小值,沿着该方向移动得到最小值:

Xt+1=Xt+G (6) 其中,G为移动向量,G=η f(X);η称为步长(或梯度系

数)是一个很小的正数。

使用一个大于零扰动量 X>0,这样梯度信息可以用目标函数的一阶偏微分来近似地代替:

f(X) x=f(X+ xi) f(X)

(7) i xi

对种群中每个最优个体进行梯度优化,使个体向局部最优解不断靠近,以提高计算的精确度,步骤如下:

if (fX+ X)>f(X)thenXt+1=Xt η f(X) else if f(X+ X)<f(X)thenXt+1=Xt η f(X)

else 个体X已经到达了峰

当扰动后的目标函数大于当前目标函数,梯度向量为正,应该朝该梯度向量相反的方向移动,这时 f(X)为正数,所以有Xt+1=Xt η f(X);当目标函数小于当前目标函数时,梯度向量为负,应该朝该梯度向量的方向移动,由于这时 f(X)为负数,因此有Xt+1=Xt η f(X)。

4 GANGA算法步骤

GANGA算法的具体步骤如下:

步骤1 设置进化代数,随机产生M个初始种群P(t),求出个体的适应度Fi(i=1,2,",M)。

步骤2 根据个体的适应度对其进行降序排列,记忆前N个个体(N<M)。

步骤3 选择运算。对群体P(t)进行赌盘法选择运算,得到P'(t)。

步骤4 交叉运算。按式(3)计算Pc,并对群体P'(t)按 式(1)进行算术交叉运算,得到P''(t)。

步骤5 变异算法。按式(4)计算Pm,并对群体P''(t)按 式(2)进行非均匀变异运算,得到P'''(t)。

步骤6 小生境排挤运算。将步骤5得到的M个个体和步骤2所记忆的N个个体合并在一起,得到一个含有M+N个个体的新群体;对这M+N个个体,求出每2个个体Xi和Xj之间的海明距离:

基于梯度优化的自适应小生境遗传算法

Xi Xj=

i=1,2,",M+N 1 j=i+1,i+2,",M+N

(8) 当Xi Xj<L时,比较个体Xi和Xj的适应度大小,并对其中适应度较低的个体处以罚函数:Fmin(Xi, Xj)=Penalty。

步骤7 梯度运算。按式(5)计算梯度向量,按式(6)算法对这M+N个个体进行梯度优化。

步骤8 根据这M+N个个体的新适应度对各个个体进行降序排序,记忆前N个个体。

步骤9 终止条件判断。若不满足终止条件,则:t=t+1,并将步骤8排序中的前M个个体最为新的下一代群体P(t),然后转到步骤3;若满足终止条件,则输出计算结果,算法结束。

5 试验分析

5.1 试验函数及运行参数

Shubert 函数定义如下:

F(x5

1,x2)=∑icos[(i+1)x5

1+i] ∑icos[(i+1)x2+i] (9)

i=1

i=1

s.t

10≤xi≤10(i=1,2)

这是一个多峰函数,在其定义域内共有760个局部极小

值,其中有18个点是全局最小值,理论上全局最小解为F=-186.731。

该函数有2个自变量,染色体长度为2,编码为[x1, x2]。采用小区间生成法,把解区间划分为9个小区间,每个小区间随机初始生成M/9个体。由于Shubert函数的最小值为负,适应度函数为

F(x

1 0.05f(x1,x2)

iff(x1,x2)<0

1,x2)= 1

if

f(x,x (10)

12)≥0

—187—

上一页第2页

你可能喜欢

  • 差分进化算法
  • 遗传算法matlab
  • 车间调度问题
  • 智能优化算法
  • 遗传算法应用
  • 粒子群优化

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email