[发明专利]一种更新遗传种群的分段替换方法

说明书

技术领域

本发明涉及一种改进型的遗传算法(Genetic Algorithm，GA)，尤其涉及一种更新遗传种群的分段替换方法。

背景技术

遗传算法是一种实用、高效、鲁棒性强的优化技术，它摒弃传统的搜索方式，模拟自然界生物进化的过程，对目标空间进行随机优化搜索。在遗传算法中，一个个体对应一个可行解，每个可行解通常可以编码成称之为染色体的符号串。根据达尔文的自然选择和优胜劣汰的生物进化过程，对由多个个体组成的种群反复进行基于遗传学的操作。遗传算法被广泛应用于工业、经济管理、交通运输、工业设计等不同领域。

在遗传算法中，利用适应值来度量个体对于生存环境的适应程度，种群中个体的数目称为种群规模。基于遗传学的操作主要包含三个步骤，即选择、交叉和变异。选择操作是将种群中适应值高的个体遗传到下一代，实现优胜劣汰；交叉和变异是产生新个体的主要方法，可维持种群的多样性，在一定程度上防止早熟。

在GA运行的初期阶段，相对整个种群来说，群体中可能会有少数几个个体的适应值非常高。若使用选择操作，如轮盘赌选择方法，来确定某个个体是否被选择时，若干个具有较高适应值的染色体会在下一代群体中占有很高的比例。在极端情况下或当群体规模较小时，新的群体甚至完全由这样的少数几种染色体所组成。由于具有相同染色体的两个个体不论在何处进行交叉操作，都不会产生出新的染色体，这样就会使群体的多样性降低，导致遗传算法发生早熟收敛现象。同时在GA运行的后期阶段，群体中所有个体的平均适应值接近于群体中最优个体的适应值，所有个体都以接近的概率被遗传到下一代，从而使得进化过程退变为一种随机选择过程，缺乏竞争性。

发明内容

本发明的目的在于提供一种更新遗传种群的分段替换方法。

为达到上述目的，本发明采用了以下技术方案：

在遗传种群的迭代过程中，始终在记忆种群中保存一个全局最优的个体b_opt，而在遗传算法（GA）的每一次迭代过程中，都会选出一个本轮迭代的适应值最高的个体b并保存在记忆种群中，同时比较b与b_opt的适应值，如果b的适应值高于b_opt，则将b的相关信息复制给b_opt，否则b_opt保持不变。当一个遗传种群经过基于遗传学的选择、交叉和变异三个步骤后，增加本发明提出的第四个分段替换步骤，算法流程图如图1所示。操作如下：

（1）种群分段

如图2所示，将遗传种群中的个体按适应值从高到低进行排序，然后分为三部分：

A类：适应值最高的50%种群。遗传种群中按适应值排序在前50%的部分将保留到下一次迭代过程中；

B类：适应值较低的37.5%种群。遗传种群中按适应值排序在前50%和后12.5%之间的部分用替换候选种群中的个体进行替换；

C类：适应值最低的12.5%种群。遗传种群中按适应值排序在后12.5%的部分被视为丢弃种群，模拟自然死亡抛弃，用随机生成的新种群直接代替。

在利用本算法进行具体问题的求解时，对三个部分而言，可以根据实际情况，依照A类的比例不低于40%，C类的比例不超过30%的原则，对种群中保留到下次迭代部分（A类）的比例以及丢弃部分（C类）的比例进行调整。

（2）B类种群替换

GA中的b_opt是判断某个个体是否可以成为克隆对象的一个很好的参照标准，因为若该个体的染色体和b_opt的差异度越低，该个体的适应值也越高。因此，当完成（1）之后，计算遗传种群中所有个体和遗传算法的全局最优解b_opt的差异度值，然后将遗传种群中所有个体按差异度值从低到高进行排序，本发明只取遗传种群中按差异度值排序在前25%的个体作为克隆母本，将这些克隆母本根据文献【刘星宝，蔡自兴等.用于全局优化问题的混合免疫进化算法[J].西安电子科技大学学报（自然科学版），2010,37(5):971-980.】中的动态克隆策略组成克隆种群，克隆种群按照一定的变异概率变异之后，和记忆种群一起组成替换候选种群。

最后将替换候选种群中的个体按照适应值从高到低的顺序排序，依次选取适应值较高的个体替换遗传种群中按适应值排序在前50%和后12.5%之间的部分（B类）中的所有个体。

（3）C类种群替换

C类种群属于不适应类型，可以视为丢弃种群，使用新生的个体种群直接替换掉。