本發(fā)明涉及一種進(jìn)化算法領(lǐng)域，尤其涉及一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法。

背景技術(shù)：

近年來(lái)，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，為了在一定程度上解決大空間、非線性、全局尋優(yōu)、組合優(yōu)化等復(fù)雜問(wèn)題，不少進(jìn)化算法不斷涌現(xiàn)，如遺傳算法和差分進(jìn)化算法等。遺傳算法應(yīng)用廣泛、實(shí)用、魯棒性高，但容易過(guò)早收斂。差分進(jìn)化算法結(jié)構(gòu)簡(jiǎn)單、通用、可靠性高，但計(jì)算效率較低。

因?yàn)檫@些算法獨(dú)特的優(yōu)勢(shì)，獲得了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，掀起了研究熱潮，并在電子、通信、計(jì)算機(jī)、自動(dòng)化、機(jī)器人、經(jīng)濟(jì)學(xué)和管理學(xué)等眾多學(xué)科和信號(hào)處理、圖像處理、生產(chǎn)調(diào)度、任務(wù)分配、模式識(shí)別、自動(dòng)控制和機(jī)械設(shè)計(jì)等眾多領(lǐng)域，得到了成功應(yīng)用。但單種進(jìn)化算法由于自身的缺點(diǎn)，例如，遺傳算法容易過(guò)早收斂，差分進(jìn)化算法計(jì)算效率較低，不利于解決大空間、非線性、全局尋優(yōu)、組合優(yōu)化等復(fù)雜優(yōu)化問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是：目前現(xiàn)有技術(shù)中的遺傳算法和差分進(jìn)化算法各自存在自身的缺點(diǎn)，例如，遺傳算法容易過(guò)早收斂，差分進(jìn)化算法計(jì)算效率較低。

為解決上面的技術(shù)問(wèn)題，本發(fā)明提供了一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法，解決了遺傳算法容易過(guò)早收斂、差分進(jìn)化算法計(jì)算效率較低的問(wèn)題，提高進(jìn)化算法的優(yōu)化效率和優(yōu)化效果，該算法包括如下步驟：

s1，隨機(jī)生成初始種群；

s2，利用適應(yīng)度函數(shù)對(duì)初始種群進(jìn)行適應(yīng)度的計(jì)算；

s3，設(shè)置適應(yīng)度函數(shù)值的最小閾值為進(jìn)化計(jì)算終止條件，判斷s2中的最優(yōu)適應(yīng)度是否滿足終止條件，若滿足，則輸出具有最優(yōu)適應(yīng)度的個(gè)體，若不滿足，則執(zhí)行s4；

s4，對(duì)種群中不滿足終止條件的全部個(gè)體進(jìn)行遺傳操作，產(chǎn)生子代種群1；

s5，對(duì)子代種群1進(jìn)行差分進(jìn)化操作，產(chǎn)生子代種群2；

s6，將子代種群2繼續(xù)返回步驟s2循環(huán)操作，直到達(dá)到進(jìn)化計(jì)算的終止條件，輸出具有最優(yōu)適應(yīng)度的個(gè)體。

本發(fā)明的有益效果：通過(guò)本發(fā)明的方法將遺傳算法、差分進(jìn)化算法進(jìn)行融合操作，解決了遺傳算法容易過(guò)早收斂的缺點(diǎn)和差分進(jìn)化算法計(jì)算效率較低的缺點(diǎn)，從而提高了進(jìn)行算法的優(yōu)化效率和優(yōu)化效果。

進(jìn)一步地，所述步驟s2中，適應(yīng)度函數(shù)包括：目標(biāo)函數(shù)映射成的適應(yīng)度函數(shù)或基于序的適應(yīng)度函數(shù)。

上述進(jìn)一步的有益效果：對(duì)群體中的個(gè)體，進(jìn)行適應(yīng)度計(jì)算。在具體應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問(wèn)題本身的要求而定。適應(yīng)度函數(shù)評(píng)估是進(jìn)化選擇的依據(jù)，適應(yīng)度函數(shù)設(shè)計(jì)直接影響到進(jìn)化算法的性能。

進(jìn)一步地，所述s3還可以為設(shè)置最大進(jìn)化代數(shù)值為進(jìn)化計(jì)算終止條件。

進(jìn)一步地，所述s4中對(duì)種群中不滿足終止條件的全部個(gè)體進(jìn)行遺傳操作，產(chǎn)生子代種群1的過(guò)程具體包括：對(duì)種群中不滿足終止條件的全部個(gè)體進(jìn)行選擇操作、交叉操作和變異操作的遺傳操作，產(chǎn)生子代種群1。

進(jìn)一步地，所述步驟s5中對(duì)子代種群1進(jìn)行差分進(jìn)化操作，產(chǎn)生子代種群2的過(guò)程具體包括：對(duì)子代種群1中的全部個(gè)體進(jìn)行變異操作、交叉操作、邊界條件處理和選擇操作的差分進(jìn)化操作，產(chǎn)生子代種群2。

進(jìn)一步地，所述步驟s1中初始種群的范圍為10～200。

上述進(jìn)一步的有益效果：群體規(guī)模的大小將影響優(yōu)化的最終結(jié)果以及優(yōu)化效率。當(dāng)群體規(guī)模np太小時(shí)，優(yōu)化性能一般不會(huì)太好。采用較大的群體規(guī)模可以減小優(yōu)化算法陷入局部最優(yōu)解的機(jī)會(huì)，但較大的群體規(guī)模意味著計(jì)算復(fù)雜度高。

進(jìn)一步地，所述步驟s3中最小閾值取值范圍10^-5～10^-7。

進(jìn)一步地，所述的最大進(jìn)化代數(shù)值取值范圍為100～500。

上述進(jìn)一步的有益效果：本發(fā)明采用上述的最小閾值取值范圍10^-5～10^-7，最大進(jìn)化代數(shù)值取值范圍為100～500，能夠大大較少了計(jì)算的過(guò)程，同時(shí)得到的結(jié)果會(huì)更加精確。

附圖說(shuō)明

圖1為本發(fā)明的一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法流程圖；

圖2為本發(fā)明的一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

如圖1所示的，本發(fā)明的一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法，該算法包括如下步驟:

s1，隨機(jī)生成初始種群np，其中隨機(jī)生成群體規(guī)模為np的個(gè)體的初始群體。群體規(guī)模的大小將影響優(yōu)化的最終結(jié)果以及優(yōu)化效率。當(dāng)群體規(guī)模np太小時(shí)，優(yōu)化性能一般不會(huì)太好。采用較大的群體規(guī)模可以減小優(yōu)化算法陷入局部最優(yōu)解的機(jī)會(huì)，但較大的群體規(guī)模意味著計(jì)算復(fù)雜度高；

s2，利用適應(yīng)度函數(shù)f(x)對(duì)初始種群np進(jìn)行適應(yīng)度的計(jì)算，其中對(duì)群體中的個(gè)體，進(jìn)行適應(yīng)度計(jì)算。在具體應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問(wèn)題本身的要求而定。適應(yīng)度函數(shù)評(píng)估是進(jìn)化選擇的依據(jù)，適應(yīng)度函數(shù)設(shè)計(jì)直接影響到進(jìn)化算法的性能；

s3，設(shè)置適應(yīng)度函數(shù)值的最小閾值為進(jìn)化計(jì)算終止條件，判斷s2中的最優(yōu)適應(yīng)度是否滿足終止條件，若滿足，則輸出具有最優(yōu)適應(yīng)度的個(gè)體，若不滿足，則執(zhí)行s4，其中判斷最優(yōu)適應(yīng)度是否滿足終止條件，終止條件可以是最大進(jìn)化代數(shù)g(即最大的循環(huán)次數(shù))，也可以是目標(biāo)函數(shù)值的最小閾值等。g取值一般為100～500，最小閾值一般取10^-6；

s4，對(duì)種群中不滿足終止條件的全部個(gè)體進(jìn)行遺傳操作，產(chǎn)生子代種群1；

s5，對(duì)子代種群1進(jìn)行差分進(jìn)化操作，產(chǎn)生子代種群2；

s6，將子代種群2繼續(xù)返回步驟s2循環(huán)操作，直到達(dá)到進(jìn)化計(jì)算的終止條件，輸出具有最優(yōu)適應(yīng)度的個(gè)體。

本發(fā)明可按照如下的方式實(shí)施：

如圖2所示，本發(fā)明一種遺傳算法與差分進(jìn)化算法串行融合的進(jìn)化算法，

第一步隨機(jī)生成初始種群np

隨機(jī)生成群體規(guī)模np為50個(gè)個(gè)體的初始群體，每個(gè)個(gè)體的維數(shù)和取值范圍根據(jù)具體優(yōu)化問(wèn)題確定，在本發(fā)明實(shí)例中取值每個(gè)個(gè)體的維數(shù)是10，每一維取值范圍為[-512～512]。

第二步進(jìn)行適應(yīng)度計(jì)算

取適應(yīng)度為函數(shù)f(x)值，對(duì)群體中的每一個(gè)個(gè)體進(jìn)行適應(yīng)度計(jì)算。其中運(yùn)用遺傳算法與差分進(jìn)化算法融合的進(jìn)化算法，計(jì)算函數(shù)-512≤xi≤512，x的維數(shù)n＝10的最小值。這是一個(gè)簡(jiǎn)單的平方和函數(shù)，只有一個(gè)最小點(diǎn)x＝(0，0，…，0)，理論最小值f(0，0，…，0)＝0。

第三步判斷是否滿足終止條件

取終止條件為最大進(jìn)化代數(shù)g為100。判斷最優(yōu)適應(yīng)度是否滿足終止條件，若滿足終止準(zhǔn)則，則輸出最優(yōu)結(jié)果，算法結(jié)束；若不滿足，則進(jìn)行步驟四操作。

第四步進(jìn)行遺傳操作

對(duì)種群全部體行選擇操作、交叉操作和變異操作的遺傳操作，產(chǎn)生子代種群1。

第五步進(jìn)行差分操作

對(duì)子代種群1中全部個(gè)體進(jìn)行變異操作、交叉操作、邊界條件處理和選擇操作的差分進(jìn)化操作，產(chǎn)生子代種群2，進(jìn)行下一步循環(huán)操作。

第六步轉(zhuǎn)至步驟二

進(jìn)行進(jìn)化循環(huán)優(yōu)化操作，直至達(dá)到終止條件，輸出優(yōu)化結(jié)果。

在相同條件下，運(yùn)用遺傳算法、差分進(jìn)化算法及兩者融合的進(jìn)化算法求函數(shù)f(x)的優(yōu)化解及函數(shù)最小值如下表所示?？梢?jiàn)融合算法比單獨(dú)的遺傳算法、差分進(jìn)化算法有更好的優(yōu)化結(jié)果。

對(duì)上述本發(fā)明進(jìn)行了試驗(yàn)操作，對(duì)比優(yōu)化結(jié)果對(duì)比表1如下：

表1優(yōu)化結(jié)果對(duì)比表

在本說(shuō)明書中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說(shuō)明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。