模糊自适应并行遗传算法在函数优化中的应用

潘家文，钱 谦 ，伏云发，冯 勇

1(昆明理工大学 信息工程与自动化学院，昆明 650500)

2(昆明理工大学 云南省计算机技术应用重点实验室，昆明 650500)

1 引 言

遗传算法(Genetic Algorithm，GA)[1]是20世纪70年代初期由美国Michigan大学Holland提出来的借鉴生物界自然选择思想和自然遗传机制的一种全局随机搜索算法.它把问题的可能解看做个体，多个个体组成种群，算法运行时按照预设的进化策略使种群在遗传算子的控制下通过选择、交叉、变异等运算操作进行寻优，适应度高的个体被遗传继承下来，适应度低的个体不断被淘汰，直到产生最优或近似最优解.GA已广泛应用于机器学习，控制，优化等领域[2-4].

GA以适应度函数作为搜索准则，能够同时搜索多个点，具有较好的并行寻优能力，但是该算法也存在着“早熟”收敛和收敛速度慢等缺陷.目前已经提出了许多解决这一问题的方法，如自适应机制[5]、将遗传算法与其他算法结合[6]等，这些方法都取得了较好的效果.

本文首先结合分析GA算法缺陷产生的原因对已有相关研究的不足之处进行讨论，然后在前人研究基础上提出了更加有效的优化算法.

2 相关研究

交叉概率Pc和变异概率Pm是控制交叉操作、变异操作及影响遗传算法性能与收敛的关键控制参数[7].GA易陷入局部收敛的一个原因就是Pc和Pm的具体数值难以选取.传统遗传算法(Standard GA，简称SGA)的Pc和Pm具有固定的数值，如果取值过高，虽然有利于跳出局部最优，增大找到全局最优的可能性，但是会破坏现有的……