一种基于快速匹配机制面向复杂计算的改进遗传方法技术

本发明专利技术公开了一种基于快速匹配机制面向复杂计算的改进遗传方法，所述基于快速匹配机制面向复杂计算的改进遗传方法通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和置信度值进行计算，通过单形变异算子将染色体构建为一空间单形，以一定的比例作等效应空间扩张后，按顺序取出变异后的个体并作相应的变异计算。最后在进化到后期阶段，根据设定的停止条件生成最优解或近似最优解。本发明专利技术减少了进化过程中个体的评价次数，加快了算法最优解的搜索速度，具有直观简明、普适性等特点；能够大大降低算法寻优的时间。

【技术实现步骤摘要】

本专利技术属于遗传算法
，尤其涉及一种基于快速匹配机制面向复杂计算的改进遗传方法。
技术介绍
目前，遗传算法（Geneticalgorithm,GA）是一种借鉴自然界的生物生存竟争选择规律机制演化形成的随机优化搜索方法。当前，GA在各类系统工程优化问题中已经得到广泛应用(LiangY,LeungKS.Geneticalgorithmwithadaptiveelitist-populationstrategiesformultimodalfunctionoptimization.AppliedSoftComputing,2011,11(2):2017-2034)。然而，这种基于种群的随机优化方法应用于大规模复杂系统优化问题(如，高维多目标优化问题，动态优化问题)时，为获得较好的精确解往往会付出较昂贵的的时间代价，使得GA在解的质量与时间两者之间始终难以达到一个较好的平衡点，GA的应用遇到了“时间”颈瓶问题。尽管现有的软硬件技术的快速发展，在某种程度可暂时缓解因时间成本而导致解的精度不高等问题。但透过GA外部的宏观执行模式，由染色体间微观行径来来研究GA自身的内部运行机制，从而在昂贵的时间成本和解的质量两者之间达到一个较好的折衷状态，有效提高算法的实时效率。是值得广大GA学者深入思考的问题。GA外部的执行时间集中在进化过程和染色体的评价过程。就进化过程而言，已经提出了不少改进策。2001年Kim提出了一种基于聚类技术的混合遗传算法，遗传算法的初始种群通过模糊C均值算法划分成几类，每一类只有一个代表个体使用适应度函数进行评价，同一类的其他个体，通过计算自身到代表性个体的欧式距离来评价其适应度值，因此，这种评价方法能以较少的评价次数维持较大的种群，能够在较短的时间内获得所求问题的近似解。由于个体适应度值的局部信息完全被忽略了，求得解的精确度往往达到理想的效果，评价机制显得较为粗糙(KimHS,ChoSB.(2001).AnEfficientGeneticAlgorithmwithLessFitnessEvaluationbyClustering,Proceedingsofthe2001CongressonEvolutionaryComputation,IEEE,May27-30,2001,pp.887-894)。2006年中国的李军华对个体间的匹配性进行分析，通过计算对象在特征空间中的距离获得对象间的匹配性值。相似性用各个特征分量组成的特征向量(f1,f2,…,fn)来描述，两个对象间的匹配性是各个特征分量的相似性加权求和。因此，遗传算法中个体的匹配度计算时可以认为每个基因就是一个特征分量，一条染色体就是其特征向量，通过计算两个个体的海明距离来计算个体的相似度。在执行个体间交叉操作时，通过个体间的相似度值自适应地确定交叉率，相似度值大(小)的交叉个体以较小(大)的概率进行交叉。通过这种方法，可以提高遗传寻优计算的效率，加快遗传算法的收敛速度(李军华,黎明,袁丽华.基于个体相似度交叉率自适应的遗传算法.系统工程,2006,24(9):108-110)。提出一种改进的遗传算法，种群初始化时采用成员分组策略缩减问题的规模，同时针对惩罚函数，变异和交叉的自适应方法被融入改进的遗传算法，在避免陷入最优解的同时获得了全局最优解。该方法能够在解空间内缩减搜索的次数，提高遗传算法的收敛性能(ToanV,Dalolu.Animprovedgeneticalgorithmwithinitialpopulationstrategyandself-adaptivemembergrouping,ComputersandStructures,2008,86:1204–1218)。上述方法分别从遗传算法模型中的存储过程、进化过程和评价过程三个部份进行了改进，从搜索最优解的效率方面有了一定的提高。但由于遗传算法借鉴的生物学基础就是生物的进化和遗传，生物进化过程本质上是一种优化过程，如何从遗传学角度，对物种间的匹配性给予定性的度量准则，根据准则缩减目标函数的评价次数，加快算法对最优解的搜索速度并提高解的精确度在计算机科学工程应用领域中具有直接的现实意义。例如：企业动态联盟中的伙伴挑选问题是敏捷制造和供应链管理中的一个热点问题，伙伴挑选的成功与否直接关系到研发联盟的合作效果和成败。2002年中国科学院的汪定伟将伙伴问题表达为带有非解析目标函数的0-1整数规划模型，通过定义无效候选人缩小搜索空间，从而形成一个模糊决策与遗传算法结合的计算方法，和传统的优化方法对比，嵌入模糊规则的遗传算法能够以很大的概率快速找到最优解(汪定伟，容启亮，叶伟雄.企业动态结盟中的伙伴挑选模型及其软计算方法.中国科学E辑：技术科学，2001，32(6):824-830)。电力系统的无功优化问题是一个多目标，多约束的混合非线性规划问题，其优化变量即有连续变量节点电压，又有离散型变量如变压器挡位，无功补偿装置组等，使得整个优化过程十分复杂。传统的数学优化方法如：线性规划、非线性规划、整数规划、二次规划、动态规划等方法不能实现全局最优，只能找到局部最优解。对此，2008年中国北京航空航天大学的李运华将模拟退火算法与普通遗传算法结合，同时引入分布式MPI技术，实现了分布式的多种群算法，该算法用个体迁移策略来协调优化各个种群，最优优值恢复策略来稳定方向，通过分布式计算的应用，有效地缩短了计算时间，通过运用IEEE14节点标准数据运算，证明了这种混合遗合算法在电力系统无功优化计算中具有很高的稳定性和快速求解能力(李运华，吴宏昺，盛万兴，刘科研.分布式并行混合遗传算法在无功优化中的应用.2008,20(2):36-41)。传统数学方法面向复杂优化问题的求解时，常常遇到可微、可导等严格的约束条件限制而无法求解复杂优化问题。
技术实现思路
本专利技术的目的在于提供一种基于快速匹配机制面向复杂计算的改进遗传方法，旨在解决传统数学方法面向复杂优化问题的求解时，常常遇到可微、可导等严格的约束条件限制而无法求解复杂优化的问题。本专利技术是这样实现的，一种基于快速匹配机制面向复杂计算的改进遗传方法，所述基于快速匹配机制面向复杂计算的改进遗传方法包括以下步骤：首先基于反学向学习理论生成初始种群，并对染色体的特征进行提取，主要包括个体编码、适应度值、个体的置信度值；然后通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和置信度值进行计算，通过单形变异算子对每个染体作单形变异操作；最后在进化到后期阶段，根据设定的停止条件生成最优解或近似最优解。进一步，首先基于反学向学习理论生成初始种群，并对染色体的特征进行提取，按以下步骤进行：首先生成半个初始种群，种群中的每个个体表示为:ci=(ci1,ci2,...,cid)在d维空间按反向数生成方法,得到每个个体的反向点ri，即，若且,则其反方向数x*为:x*=a+b-x；对每个染色体构建其对应的特征向量v(ci)=(a,f,r)；生成初始化种群结束。进一步，通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和可信度值进行计算，按以下步骤进行：Step1本文档来自技高网...

【技术保护点】
一种基于快速匹配机制面向复杂计算的改进遗传方法，其特征在于，所述基于快速匹配机制面向复杂计算的改进遗传方法包括以下步骤：首先基于反学向学习理论生成初始种群，并对染色体的特征进行提取，主要包括个体编码、适应度值、个体的置信度值；然后通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和置信度值进行计算，通过单形变异算子对每个染体作单形变异操作；最后在进化到后期阶段，根据设定的停止条件生成最优解或近似最优解。

【技术特征摘要】
1.一种基于快速匹配机制面向复杂计算的改进遗传方法，其特征在于，所述基于快速匹配机制面向复杂计算的改进遗传方法包括以下步骤：首先基于反学向学习理论生成初始种群，并对染色体的特征进行提取，主要包括个体编码、适应度值、个体的置信度值；然后通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和置信度值进行计算，通过单形变异算子对每个染体作单形变异操作；最后在进化到后期阶段，根据设定的停止条件生成最优解或近似最优解。2.根据权利要求1所述的基于快速匹配机制面向复杂计算的改进遗传方法，其特征在于，首先基于反学向学习理论生成初始种群，并对染色体的特征进行提取，按以下步骤进行：首先生成半个初始种群，种群中的每个个体表示为:ci=(ci1,ci2,...,cid)在d维空间按反向数生成方法,得到每个个体的反向点ri，即，若且,，则其反方向数x*为:x*=a+b-x；对每个染色体构建其对应的特征向量v(ci)=(a,f,r)；生成初始化种群结束。3.根据权利要求1所述的基于快速匹配机制面向复杂计算的改进遗传方法，其特征在于，通过特征提取得到一个三维的特征向量，在种群进化过程中，使用建立的相似性匹配评价机制对每个染色体的适应度值和可信度值进行计算，按以下步骤进行：Step1，通过反向学习理论得到初始种群，将初始种群作为新一代种群；Step2，从新一代种群中随机挑选两个个体p1,p2；Step3，个体p1,p2进行交叉操作，得到两个子代个体c1,c2；Step4，对子代个体c1,c2按单形变异操作实施变异过程；Step5，子个体变异后得到对应的变异个体；Step6，对算法的停止条件进行判断，若算法的迭达次数达到指定次数T或解的精度满足指定的要求，则转Step11；否则，转到Step7；Step7，对子代个体c1,分别比较其与父代个体p1,p2的匹配性；Step8，按照公式(3)和(4)分别计算个体c1的适应度值和置信度值r；Step9，比较个体的置信度r和阈值T，若r<T，转Step10；否则转...

【专利技术属性】
技术研发人员：汤可宗，于保春，舒云，
申请(专利权)人：景德镇陶瓷大学，
类型：发明
国别省市：江西;36