[发明专利]一种自适应遗传粒子群混合算法的优化方法

说明书

本发明提供了一种自适应遗传粒子群混合算法的优化方法，包括：计算遗传算法中父代种群中心区域的密度和半径，并区分父代种群为总体集中分布、局部集中分布还是均匀分布；执行遗传算法的选择操作，选择出需进化的父代个体；针对父代种群的三种分布，分别建立交叉概率和变异概率的计算公式；根据建立的交叉、变异概率公式执行交叉与变异操作实现染色体重组与基因突变，形成子代个体；从该部分子代个体中选择出适应度较高的部分个体执行粒子群算法形成子代粒子，将子代个体和子代粒子组成子代种群并保存其最优个体。本发明自适应的调节遗传粒子群混合算法中的交叉概率和变异概率参数值，使收敛速度和收敛精度大幅提升。

技术领域

本发明涉及计算技术领域，尤其涉及一种自适应遗传粒子群混合算法的优化方法。

背景技术

随着优化理论的发展，以遗传算法和粒子群算法为代表的智能优化算法得到了迅速的发展。遗传算法和粒子群算法作为两种广泛应用的智能优化方法，具有各自的优点和不足。遗传算法具有广泛的空间搜索能力，但收敛速度慢；粒子群算法具有易于实现和收敛速度快的优点，但容易陷入局部最优解。因此，为了充分利用这两种算法的优点，不少学者提出将遗传算法和粒子群算法进行混合的遗传粒子群混合最优化算法。该算法既保留了遗传算法强大的全局搜索性能，又融合了粒子群的位置转移思想，从而充分利用了被遗传算法忽略了的父代种群和个体的信息，使寻优过程效率更高、解的精度更高。但是，目前，遗传粒子群混合最优化算法中的交叉概率、变异概率这两个参数主要依赖操作者的经验取为固定值，取值的合理性以及科学性缺乏有效研究，这在一定程度上影响了算法的精确性以及快速性，成为了制约遗传粒子群混合最优化算法发展的最主要因素。

发明内容

为了解决实际工程中系统的优化布局、路径规划、图像处理、配置优化等最优化问题，即在满足一定的工程实际问题的约束条件下，寻找一组最优值，使系统的某些性能指标达到最大或最小，提出了一一种自适应遗传粒子群混合算法的优化方法，该方法可以自适应的调节遗传粒子群混合算法中的交叉概率和变异概率参数值，使算法的收敛速度和收敛精度大幅提升。

为了达到上述目的，本发明提供了一种自适应遗传粒子群混合算法的优化方法，该方法包括以下步骤：

1.1计算遗传算法中父代种群的中心区域密度和中心区域半径，并区分父代种群为总体集中分布、局部集中分布还是均匀分布；

1.2执行遗传算法的选择操作，选择出部分需进化的父代个体；

1.3针对父代种群的三种分布，分别建立交叉概率和变异概率的计算公式；

1.4根据建立的交叉概率和变异概率计算公式对选择出来的父代个体执行交叉与变异操作实现染色体重组与基因突变，并形成子代个体；

1.5从该部分子代个体中选择出适应度较高的部分个体执行粒子群算法形成子代粒子，将子代个体和子代粒子组成子代种群并保存其最优个体。

进一步的，步骤1.1具体包括：

1.11求解父代种群中心区域密度ρ和中心区域半径R：

父代种群初始化后，求个体适应度并进行排序；

计算适应度值范围S与中心区域半径R；

S＝f_max-f_min

其中，f_max表示父代种群中个体的最大适应度值，f_min表示父代种群中个体的最小适应度值，n表示父代种群大小；

计算父代种群中心区域密度ρ；