一种基于种群进化过程的自适应遗传算法制造技术

本发明专利技术公开了一种基于种群进化过程的自适应遗传算法，包括，第一步，BAGA算法的参数设定，设定算法的迭代次数，每代种群个数，自变量离散精度，总共打靶次数，常数；第二步，采用二进制编码产生初始种群；第三步，判断是否满足最大迭代次数，是则输出最后一代的最优个体，即为找到的最优值，否则转入第四步；第四步，建立目标函数与适应度函数的关系，然后计算每个个体的适应度、当代个体的平均适应度，保存当代适应度最大的个体，根据定义计算当代种群进化度、种群聚合度、平衡因子、交叉概率和变异概率；第五步，选择、交叉和变异操作产生新种群，选择算子采用轮盘赌技术，交叉操作采用单变量交叉，变异操作采用基本位变异；第六步，找出当代种群中最优个体，保留下来，然后转入第二步。

【技术实现步骤摘要】
一种基于种群进化过程的自适应遗传算法
本专利技术涉及一种基于种群进化过程的自适应遗传算法。
技术介绍
遗传算法(GeneticAlgorithm-GA)是生命科学与工程科学相互交叉、互相渗透的产物，效法于自然选择的生物进化，是一种模仿生物进化过程的随机方法。其本质是一种求解问题的高度并行性全局搜索算法，它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优解。越来越多的实践表明，遗传算法在解决一些复杂的问题方面显示出越来越多的优越性，但是在一些方面,比如：算法的早熟问题以及收敛性等方面还存在一些不足之处；针对SGA的这些缺点，近几年已经提出了多种改进的方法，在这些改进的遗传算法中，自适应遗传算法改进效果明显，已得到广泛的应用。但是这些自适应遗传算法虽然在一定程度上改善了算法的性能，提高了算法的收敛性，但是对于较复杂的函数，特别对于多峰函数，还是容易陷入局部最优。
技术实现思路
本专利技术的目的是针对现有自适应遗传算法中中存在的问题，提出一种基于种群进化过程的自适应遗传算法(BalancedAdaptiveGeneticAlgorithm-BAGA)，通过定义种群进化度和种群聚合度，来表征种群进化速度和种群集中情况，再将种群进化度和种群聚合度构成平衡因子通过Sigmoid函数来非线性调整交叉概率和变异概率，同时采用精英保留策略，单变量交叉操作，保证算法收敛。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于种群进化过程的自适应遗传算法，包括以下步骤：1)BAGA算法的参数设定，设定算法的迭代次数，每代种群个数，自变量离散精度，总共打靶次数，常数k1,k2；2)采用二进制编码产生初始种群；在函数定义域内，根据设定的精度计算每个个体染色体的长度，然后随机产生n个初始种群；根据实际问题建立目标函数与适应度之间的关系，然后计算每个个体适应度；3)判断是否满足最大迭代次数，是则输出最后一代的最优个体，即为找到的最优值，否则转入步骤4)；4)建立目标函数与适应度函数的关系，然后计算每个个体的适应度、当代个体的平均适应度，保存当代适应度最大的个体，根据定义计算当代种群进化度、种群聚合度、平衡因子、交叉概率和变异概率；5)选择、交叉和变异操作产生新种群，选择算子采用轮盘赌技术，交叉操作采用单变量交叉，变异操作采用基本位变异；6)找出当代种群中最优个体，保留下来，然后转入步骤2)。本专利技术进一步的改进在于：步骤1)中，设定常数k1,k2的取值范围为[110]。步骤2)中，对于最小值和最大值的问题建立目标函数与适应度函数的惯性，具体方法如下：2-1)对最小值问题，建立如下适应度函数f(x)与目标函数g(x)的映射关系：其中，cmax是一个输入值或是理论上的最大值；2-2)对最大值问题，采用下述方法：其中，cmin是一个输入值或是理论上的最小值。步骤4)中，计算第t代种群的种群进化度、种群聚合度、平衡因子、交叉概率和变异概率，具体方法如下：第t代种群的种群进化度定义为，其中，fbest(t)为第t代种群中适应度全局极值，fbest(t-1)第t-1代种群适应度全局极值；第t代种群的种群聚合度定义为，其中，favg(t)为第t代种群中平均适应度；第t代种群的平衡因子T定义为：第t代种群的交叉概率为：第t代种群的变异概率为：其中，k1和k2为常数，取值范围为[110]。步骤5)中，单变量交叉过程如下：交叉采用单自变量交叉，在进行交叉操作时，整个染色体上的单个自变量的染色体独自进行单点交叉，然后每个变量交叉完后再拼接在一起。与现有技术相比，本专利技术具有以下有益效果：根据种群进化度和种群聚合度的定义，可以很清楚地反映出种群的寻优过程。可根据种群进化度和种群聚合度来调整交叉概率和变异概率，交叉概率和变异概率根据种群的进化情况动态调整，交叉概率是表征算法的全局搜索能力，变异概率表征算法的局部搜索能力，根据种群进化情况动态调整交叉概率和变异概率，可以平衡算法的全局搜索能力和局部搜索能力，从而大大改善算法，使算法更加智能高效。当α(t)较小时，进化速度较快，可增大交叉和变异概率，增大种群的多样性，使其在较大范围内搜索；但α(t)较大时，表明进化速度较慢，可减小交叉和变异概率，减小搜索空间，从而更快地找到最优值。当β(t)较小时，种群比较分散，种群不易陷入局部最优，但随着β(t)的增大，算法容易陷入局部最优，此时应增大交叉和变异概率，提高算法全局搜索能力，防止其陷入局部最优。因此，交叉概率和变异概率随着种群聚合度β(t)的增大而增大，随着种群进化度α(t)的增大而减小，从而动态调整算法的全局搜索能力和局部搜索能力；同时采用单变量交叉操作，加快进化速度，使种群快速收敛到最优解，防止算法陷入局部最优。【附图说明】图1为本专利技术的BAGA算法流程图；图2为第一个初始位置的目标函数值(k＝0)；图3为第一个初始位置的目标函数值(k＝0.01)；图4为第一个初始位置的目标函数值(k＝0.1)；图5为第二个初始位置的目标函数值(k＝0)；图6为第二个初始位置的目标函数(k＝0.01)；图7为第二个初始位置的目标函数(k＝0.1)；图8为第一个初始位置的目标函数值(k＝0)；图9为第一个初始位置的目标函数值(k＝0.01)；图10为第一个初始位置的目标函数值(k＝0.1)；图11为第二个初始位置的目标函数值(k＝0)；图12为第二个初始位置的目标函数值(k＝0.01)；图13为第二个初始位置目标函数值(k＝0.1)；图14为目标函数变化曲线(k＝0)；图15为目标函数变化曲线(k＝0.001)；图16为目标函数变化曲线(k＝0.1)；图17为目标函数变化曲线(k＝0)；图18为目标函数变化曲线(k＝0.001)；图19为目标函数变化曲线(k＝0.1)。【具体实施方式】下面结合附图对本专利技术做进一步详细描述：为了验证算法的性能，采用了给出了13个测试函数，其中9个基准函数和4个多峰的测试函数，这些函数的最小值为0，通过算法寻找函数的最小值，并且与其他5种算法进行对比分析。9个基准函数为：表19个基准函数表达式4个多峰的测试函数：Schaffer函数F10：函数F10是二维的复杂函数，具有无数个局部极小点，但只有一个(0,0)点为全局最小点，最小值为0，该函数具有强烈震荡的性态，因此很难找到全局最优解。Rosenbrock函数F11：函数F11是一个二维单极值的非二次函数，属于单峰值函数，但该函数却是病态的，在y＝x2处有一条狭长深谷，极易陷入局部最优解，难以进行全局最优化，该函数的全局最小点在(1,1)，最小值为0。Trigonometric函数F12：函数F12是一个多峰的三角函数，在xi＝x*时有全局最小值0，在最小值附件有大量的局部极小值，很容易陷入局部最优，令η＝7，μ＝1，Shubert函数F13：函数F13存在760个局部极值点，寻优时极易陷入局部最优，在(-1.42513,0.80032)处取得最小值-186.7309。根据具体的测试函数，该算法包括如下步骤。第一步：算法的参数设定，设定算法的迭代次数为200代，每代种群个数为50个，自变量离散精度为1E-3，总共打靶100次，k1＝2,k2＝2，收敛标准本文档来自技高网...

【技术保护点】
一种基于种群进化过程的自适应遗传算法，其特征在于，包括以下步骤：1)BAGA算法的参数设定，设定算法的迭代次数，每代种群个数，自变量离散精度，总共打靶次数，常数k

【技术特征摘要】
1.一种基于种群进化过程的自适应遗传算法，其特征在于，包括以下步骤：1)BAGA算法的参数设定，设定算法的迭代次数，每代种群个数，自变量离散精度，总共打靶次数，常数k1,k2；2)采用二进制编码产生初始种群；在函数定义域内，根据设定的精度计算每个个体染色体的长度，然后随机产生n个初始种群；根据实际问题建立目标函数与适应度之间的关系，然后计算每个个体适应度；3)判断是否满足最大迭代次数，是则输出最后一代的最优个体，即为找到的最优值，否则转入步骤4)；4)建立目标函数与适应度函数的关系，然后计算每个个体的适应度、当代个体的平均适应度，保存当代适应度最大的个体，根据定义计算当代种群进化度、种群聚合度、平衡因子、交叉概率和变异概率；5)选择、交叉和变异操作产生新种群，选择算子采用轮盘赌技术，交叉操作采用单变量交叉，变异操作采用基本位变异；6)找出当代种群中最优个体，保留下来，然后转入步骤2)。2.根据权利要求1所述的基于种群进化过程的自适应遗传算法，其特征在于，步骤1)中，设定常数k1,k2的取值范围为[110]。3.根据权利要求1所述的基于种群进化过程的自适应遗传算法，其特征在于，步骤2)中...

【专利技术属性】
技术研发人员：马卫华，李微，唐必伟，罗建军，袁建平，王明明，芦鑫元，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61