遺傳算法的改進研究及其在工程優(yōu)化中的應(yīng)用.pdf

1、現(xiàn)有的單目標(biāo)遺傳算法普遍存在早熟收斂、遺傳漂移以及多樣性保持不好的問題,多目標(biāo)遺傳算法的最終解往往分布性不好、收斂性欠佳?；诖?為了改善算法性能,本文提出了四種改進的遺傳算法。
　　第一種是新型擁擠自適應(yīng)遺傳算法(CSAGA),算法中,開發(fā)了基于 Sigmoid函數(shù)的交叉和變異概率自適應(yīng)調(diào)整方法,改良較劣個體,防止進化停滯和局部收斂;引進了基于最相似個體的新型的擁擠機制,保持種群多樣性以及保護算法穩(wěn)定性。典型的測試函數(shù)測試表明

2、CSAGA擁有優(yōu)秀的收斂速度,穩(wěn)定的收斂成功率,較高的收斂精度和突出的多樣性保持能力。
　　第二種是面向多模態(tài)函數(shù)問題優(yōu)化的小生境遺傳算法(MSICNGA),其包含基于最相似個體的擁擠機制和擁擠錯誤修復(fù)機制兩種機制。機制一通過循環(huán)排擠大種群中兩個最相似個體中的較劣者保持種群多樣性;機制二通過存儲擁擠過程中被移除的個體中的較優(yōu)者,保護最優(yōu)解不被錯誤刪除。多模態(tài)函數(shù)測試顯示,MSICNGA多樣性保持能力強,能較容易的搜索到多個最優(yōu)解,

3、可有效的抑制遺傳漂移。
　　第三種是基于克隆機制的多目標(biāo)遺傳算法(NMGA),一方面,通過兩次選擇,挑選出非支配前端和種群中距離較大的優(yōu)良個體。然后對這些個體進行克隆,加強父代與子代的信息傳遞。另一方面,運用一種混合交叉算子,使個體交叉系數(shù)與其秩存在動態(tài)聯(lián)系,從而保留秩較低的個體,將秩較大的個體進行交叉。采用NSGAII和NCMA同時計算測試函數(shù)表明,相對于 NSGAII,NCMA有效地改善了收斂性和分布性。
　　第四種是在

4、經(jīng)典元胞多目標(biāo)遺傳算法基礎(chǔ)上引入差分演化策略,并采用換位變異算子,形成的一種差分元胞多目標(biāo)遺傳算法(DECell)。其能使獲得的Pareto前端的解集在保持均勻性和覆蓋性能的同時,朝著最優(yōu)前端不斷逼近。測試函數(shù)測試表明,針對多約束、多變量、非線性的模型,新算法具有良好的收斂性、分布性和擴展性。
　　為了檢驗算法解決實際工程問題的效果,將提出的幾種算法在工程實踐問題中進行了應(yīng)用。CSAGA計算車間設(shè)備布局的單目標(biāo)優(yōu)化模型,結(jié)果表明