[发明专利]一种基于自调整动态网络的遗传算法设计方法

说明书

本发明公开了一种基于自调整动态网络的遗传算法设计方法，包括以下步骤：S1，综合考虑节点的目标函数值在邻居节点中的排名以及邻居节点数，给出网络节点关键度定义；S2，建立偶生、奇生和竞争三种拓扑更新规则，使网络拓扑结构随遗传算法的进化而动态演化；S3，建立将种群多样性作为反馈信息，动态调整拓扑更新规则，使种群维持合适的多样性水平以利于全局搜索。本发明的一种基于自调整动态网络的遗传算法设计方法，提供含有新的指数型网络节点关键度定义方法，同时为遗传算法设计了三种拓扑结构更新规则，使得网络拓扑结构随遗传算法的进化而动态演化，有效地提高了遗传算法的种群多样性和收敛性能。

技术领域

本发明涉及一种基于自调整动态网络的遗传算法设计方法，属于遗传算法技术领域。

背景技术

遗传算法作为一种典型的群体智能优化算法，自1975年由J.Holland教授提出以来，在图像处理、机器学习和工程优化等领域得到了普遍的应用。而标准遗传算法仍然存在收敛速度慢、容易陷入局部最优等缺陷。为了提高遗传算法的收敛速度和收敛精度，研究者们主要从参数设定、方案调整、与其它智能算法结合、改进邻域拓扑结构等方面对算法进行改进。

自然界存在着各种各样的复杂系统，这些复杂系统可以建模为复杂网络进行研究，从复杂网络的角度研究这些复杂系统的结构，复杂系统的结构特性对其系统功能具有重大影响。因此，近年来复杂网络的研究受到了越来越多的关注。

遗传算法模拟自然进化过程搜索问题的最优解，随着遗传算法的不断运行，后代种群比前代更加适应于环境，最终找到问题的最优解。因此，遗传算法是一个系统，且具有结构，所以可以用复杂网络演化模型研究遗传算法。种群结构的改变会对遗传算法的收敛速度以及收敛精度产生重大影响。因此，为了改善遗传算法的收敛性能，研究者们尝试将各种复杂网络模型应用到遗传算法的种群结构中。研究者们将这些种群拓扑结构分成两种：静止态结构和运动态结构。静止态结构在算法运行之前就已经定义完成，应用静止态结构时，遗传算法种群中的个体可以较好地进行小区域间的交互，从而有效避免遗传算法陷入局部最优，并且可以提升搜索效率。在首次提出了种群结构的思想之后，许多学者纷纷效仿，采用不同的复杂网络模型作为遗传算法的种群结构。已有文献对几种经典的复杂网络模型进行实验分析，对应用各种复杂网络模型作为遗传算法的种群结构与遗传算法性能之间的关系进行总结。此外，研究者们还提出几种基于随机网络的拓扑结构，这些拓扑结构对遗传算法的性能改善也起到了很大的正向作用。上述静止态拓扑结构很好地帮助遗传算法避免陷入局部最优，有效地提高了遗传算法的收敛性能。但是，遗传算法是模拟自然进化的优化算法，静止态拓扑结构难以充分体现种群中个体间不断变化的相互关系，所以遗传算法的收敛性能改善得到了限制。

运动态拓扑结构的思想是依据已有的拓扑变换规则动态改变遗传算法的种群结构，也就是说遗传算法的种群结构会随着算法的逐渐运行而不断发生变化。小世界网络模型由于其良好的特性，会有助于遗传算法种群中个体之间的交流，因此运动态拓扑结构常采用小世界网络模型作为遗传算法的种群结构。如已有文献中遗传算法采用的种群拓扑结构即为NW小世界模型。已有文献中的种群拓扑结构会依据反馈得到的多样性数据来动态调整拓扑结构的变化，而这里的拓扑结构采用的是WS小世界网络模型。已有文献同样采用了上述两种经典网络模型，但特别的是这两种网络模型会调整参数使拓扑结构逐渐演变为完全连接拓扑模型。实验发现遗传算法种群结构采用小世界网络模型时，其收敛性能会得到显著提高。然而上述网络模型中的节点在与其他节点建立连边时会依据设定好的概率，所以这种加边方式具有随机性，可能会限制遗传算法收敛性能的提升。而自然界的各种复杂系统具有自调整特性，自调整网络中节点会依照既定规则自适应调节自身的状态。为了使遗传算法种群中的个体交互与自然界中生物群体行为更加相像，遗传算法种群拓扑结构应该具有自调整特性，种群中的个体能够自调整地调节自身行为。因此，已有文献提出了一种基于自调整拓扑结构的进化算法，较好地提高了种群多样性和算法的收敛性能。然而，算法采用的网络节点关键度却存在一些问题，其中部分个体的关键度值等于0，无法体现个体间的差异。此外，部分个体在目标函数值、邻居数量方面存在差异，但是它们的关键度却是相等的。