[发明专利]一种基于小波变异的IJAYAGA算法

说明书

一种基于小波变异的IJAYAGA算法，本发明所述技术方案具有原理明确、设计简单的优点，针对工程优化领域中的优化问题在求解过程中求解速度慢、容易陷入局部最优解等问题，采用基于小波变异的IJAYAGA算法，利用改进的JAYA算法引导解更新方向，避免其朝劣解方向更新，加快求解速度；在种群变异过程中利用小波变异增加种群多样性，并竞争选择较优种群淘汰不良变异个体，从而增加解的多样性，减少其在求解过程中陷入局部最优的概率，以较快的速度朝全局最优解方向更新，为交通流量预测、交通调度等工程最优化问题提供可靠快速的求解优化方案。

技术领域

本发明涉及智能算法优化领域，特别是涉及一种基于种群相似度的自适应再生遗传算法。

背景技术

最优化问题是工程实践和科学研究中主要的问题之一。对于最优化问题的求解主要包括解析法和智能仿生算法两种方法：

解析法只适用于目标函数和约束条件有明显的解析表达式的情况。求解方法是：先求出最优的必要条件，得到一组方程或不等式，再求解这组方程或不等式，一般是用求导数的方法或变分法求出必要条件，通过必要条件将问题简化。但是现实生活中的优化问题较为复杂或者不能用变量显函数描述，此时可采用智能仿生算法经过若干次迭代搜索到最优点。然而大部分智能仿生算法，例如遗传算法，随着进化过程不断进行，种群多样性逐渐减小，陷入局部最优的概率大，容易丢失最优解。

发明内容

本发明的目的在于提供一种基于小波变异的IJAYAGA算法，所提出的小波变异的IJAYAGA算法能够在不丢失最优解的情况下，减小传统遗传算法陷入局部最优的概率并加速优化算法的收敛速度，为交通流量预测、交通调度等工程最优化问题提供可靠快速的求解优化方案。

为实现上述发明目的，本发明提供一种基于小波变异的IJAYAGA算法，其特征在于包括下列步骤：

Step1评价：计算个体适应度值，对个体适应度值排序，选择最优个体和最差个体；

Step2个体更新：计算自适应引导算子，更新个体产生新种群；

Step3种群选择：计算个体适应度，轮盘赌选择个体产生选择种群；

Step4交叉：计算交叉算子，个体交叉产生交叉种群；

Step5小波变异：计算小波变异算子，个体变异产生变异种群，交叉种群与变异种群混合产生新种群；

Step6随机竞争选择：随机选取若干个体，计算个体得分，竞争比较产生新种群。

进一步地，个体更新的具体过程如下：

Step2.1计算自适应引导算子w：

其中：k当前迭代次数，K为所固定的总的进化次数；

Step2.2利用种群P(k)中的最优解和最劣解引导个体朝最优解的方向更新，避免其朝劣解方向更新，计算更新个体

其中：rand为产生的随机数，i为种群中的第i个个体；

Step2.3对更新后的个体适应度值与原个体的适应度值进行比较，选择较优个体

Step2.4更新计数值，即令i＝i+1。若满足i≤N，转步骤Step2.1执行，将新产生的N个个体作为新种群。

进一步地，种群选择的具体过程如下：

Step3.1计算种群P(k)中每个个体的适应度值

Step3.2计算种群P(k)中每个个体被遗传到下一代群体中的概率