基于模糊聚类与多生境排挤的小生境遗传算法研究

【摘要】： 遗传算法中维持种群多样性多采用小生境技术。本文在分析传统求解多模态函数优化问题的小生境算法的基础上,针对存在的不足,提出了两种改进的小生境遗传算法:自适应模糊相似聚类小生境遗传算法和基于适应值共享的多生境排挤遗传算法。本文的内容主要有以下几个方面: 1.简要介绍了遗传算法的起源、基本概念、研究概况和基本理论:模式定理、积木块假设、隐并行性。 2.深入分析了传统求解多模态函数优化问题的两种小生境算法:排挤方法和适应值共享方法,并指出在解决实际问题中存在的不足。 3.提出了自适应模糊聚类小生境遗传算法。在演化过程中,将峰半径作为决策变量的一部分参与染色体的编码,在对问题进行优化的同时对个体的峰半径进行自适应调整;在聚类过程中,通过对模糊相似度的调节来控制小生境的数目,以避免找到无效的极值点。该算法将模糊相似聚类、峰半径自适应调整适应值共享遗传算法有机地结合起来,可以有效地搜索多模函数空间的多个极值点,同时可以通过调节模糊相似度F的值来控制收敛到的小生境的数目,避免找到无效的极值点,有利于多个峰的精确定位,在无需事先确定小生境数目和半径的情况下,就能较准确地搜索到多峰函数的各个全局和局部最优解。 4.提出了基于适应值共享的多生境排挤遗传算法。按照共享的思想在对个体的适应值进行共享调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。该算法结合了标准适应值共享遗传算法与确定性排挤遗传算法在调整种群多样性方面的优点,因而其维持种群多样性的稳定性、跳出局部最优解、收敛到全局最优解的能力有了较大的提高。 5.使用经典的测试函数对两种算法进行实验测试,数值实验表明,算法很好地维持了种群多样性,对问题的依赖性较弱,对于各类多峰函数具有较强的搜索能力。