郭方炜+许峰



摘要:为了提高多生境遗传算法的优化效率,提出了一种基于协同进化的多生境遗传算法,其基本思想是:将种群分割为若干子种群,每个子种群采用合作型协同进化方法独立进化;个体评价采用多生境方法,具体作法为:在对个体的适应值进行共享调整的同时,在选择中采用确定性排挤方法,在替换中采用最相似个体适应度最差个体被替换策略,以维持种群的多样性。数值实验表明,上述算法在维持多生境遗传算法较强全局搜索能力的同时,可适当提高算法运行效率。
关键词:遗传算法;协同进化;多生境;多峰函数;算法效率DOI:10.11907/rjdk.162706中图分类号:TP312
文献标识码:A
文章编号:16727800(2017)004005104
0引言 在多模态函数优化问题中,需要搜索多模函数空间的多个极值点。遗传算法已被证明是求解多模态函数优化问题的有效算法[1],其中基于适应值共享的多生境遗传算法(MultiNiche Fitness Sharing Crowding Genetic Algorithm,MNSCGA)[2]综合了适应值共享与确定性排挤两种遗传算法在维持种群多样性方面的优点,具有较强的多模态搜索能力。不过,也正是由于基于适应值共享的多生境遗传算法在选择、替换中采用了较为复杂的策略,从而使得该算法具有较高的算法复杂度,算法运行效率较低。〖JP〗协同进化在生物学中是指生物与环境、生物与生物之间在进化过程中的某种依存关系。Ehrlich和Raven[3]最早提出进化算法中的协同进化概念,Hillis[4]首先将协同进化思想引入遗传算法。此后,陆续出现了多种协同进化遗传算法[58]。由于协同进化遗传算法采用多个子种群同时进化,且考虑了子种群间的协同进化,有类似于并行计算的特点,通常可加快种群的进化进程,提高算法的运行效率。……