遗传算法之我见.doc

随机化均匀设计遗传算法
摘要:众所周知,遗传算法的运行机理及特点是具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的“家族”,对遗传算法中的交叉操作进行了重新设计,给出了一个新的GA算法,,,可以看出新的算法不但提高了算法的速度和精度,而且避免了其它方法常有的早期收敛现象。
关键词:遗传算法(GA) 佳点集理论佳点集遗传算法(GGA) 随机化均匀设计(RUD) 随机化均匀设计遗传算
引言
20世纪60年代,美国Michigan大学的John Holland教授提出了模拟生物进化的仿生智能算法,即遗传算法(ic Algorithms,GA).其基本原理是模仿生物在进化过程中,,在组合优化问题,机器学习问题,图像处理与模式识别,,经过多代的选择,变异,“选择,变异,交叉”等操作直接关系遗传算法的效率,[1]根据算法初期需要采用较大的交叉,变异概率来产生更多的新优秀个体;算法后期,则需采用较小的交叉,变异概率来保护优良模式,,由条件发生器来自适应调整交叉变异概率,[2]为了改善遗传搜索性能,通过分析基因池遗传算法的无限种群动力系统,刻画了双峰函数局部极值解的适值差与系统不动点之间的解析关系,[3]提出了一种结合模拟退火,最优个体迁移以及参数空间动态退化的混合遗传算法,[4]提出了量子遗传算法,在量子个体上实施量子杂交,这一操作有利于保留相对较好的基因段,并且为了加快算法的收敛速度,[5]指出遗传算法的本质是一个具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的“家族”“家族”中寻找更高的适应度模式主要靠交叉操作来实现.

通常GA算法中的交叉操作,是按赌轮法随机取两个染色体进行单点交叉操作(或多点交叉),其子孙必属于父辈模式中,所以GA算法中的交叉操作即在以高适应度模式为祖先的“家族”,:在高适应度模式空间中产生的均匀散布点集,,这些点能很好的代表高适应度模式空间的其他点,即要求此空间中的最优值,“家族”中利用正交试验的方法求出几点来作为交叉后的后代,这是一个好主意,不过当因素的个数和等级增多时,不但试验的规模迅速增加,而且对应的试验正交表也很难得到,