[发明专利]遗传算法中种群个体初始化的方法及装置

说明书

本发明公开了一种遗传算法中种群个体初始化的方法及装置，方法包括以下步骤：基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体；基于局部搜索对生成的初始个体进行优化，生成优化后的初始个体；对优化后的初始个体进行聚合处理；对聚合处理后的初始个体进行聚类处理构建初始种群。本发明结合了初始种群个体的创建、优化、合并，使得新的种群个体以仅仅增加迭代前初始化时间为代价，使得迭代过程的时间消耗、适应度函数、收敛性等方面与已有初始化方法相比更有优势，进一步提高了遗传算法的性能。

技术领域

本发明涉及一种遗传算法中种群个体初始化的方法及装置，属于机器人校准技术领域。

背景技术

遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟，对于一个最优化问题，一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。

种群的初始化对遗传算法的收敛性至关重要，同样会影响寻找优良种群个体的速度，高质量的初始种群个体对解决遗传算法搜索能力差的问题有很好的帮助作用，大量的种群初始化方法都是随机产生的，比如基于通过“种子值”得到的伪随机数(PRNG)的方法和基于混沌发生器的方法等。随机策略一定会使得初始的种群个体质量很难全部保持在高水平，同时全部的种群个体也不能保证可以覆盖到全部的搜索区域，因此算法往往会需要更多迭代次数、更多时间才能寻找到前景空间。

针对随机初始化出现的低质量种群个体的问题，人们通过在初始化种群的过程中引入局部搜索相关算法和专业的统计学科的采样方法等，创造了许多新的种群初始化方法。其中Bajer和Brest等人通过聚类和Cauchy变异，视图识别接近搜索区域中的有较好前景的部分，并在该部分附近生成相对较好的解决方案，对高维的种群初始化方法也有一定的借鉴意义，能提供一个相对良好的起始位置；Poikolainen和Neri等人提出了一种智能的种群初始化差异演化框架，即基于簇的种群初始化，使用了随机生成、局部搜索、聚类等技术，提高了算法性能；Elsayed Saber和Sarker Ruhul等人提出了一种基于序列的初始化方法，提高了初始个体在搜索空间上的覆盖率，可以相对提高得到最优解的机会。

但是现存种群初始化算法存在以下缺点：1)算法复杂度较高，例如使用反向学习的种群初始化方法，需要所有个体的适应度函数值的支持，才能选出最优的初始种群个体，这当然需要额外的大量计算；2)随机法虽然操作简单，算法复杂度低，但随机得到的初始种群个体的质量会影响到遗传算法在后续迭代过程中的性能表现；3)基于序列的种群初始化产生的初始种群个体虽然保证了全体搜索空间的覆盖，但这些初始种群个体之间的质量是差别很大的，别没有对优质个体和劣质个体进行筛选，因此种群中的独立的劣质个体所占用的搜索资源极有可能是浪费的。

发明内容

为了解决上述问题，本发明提出了一种遗传算法中种群个体初始化的方法及装置，能够进一步提高遗传算法的性能。

本发明解决其技术问题采取的技术方案是：

第一方面，本发明实施例提供的一种遗传算法中种群个体初始化的方法，包括以下步骤：

基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体；

基于局部搜索对生成的初始个体进行优化，生成优化后的初始个体；

对优化后的初始个体进行聚合处理；

对聚合处理后的初始个体进行聚类处理构建初始种群。

作为本实施例一种可能的实现方式，所述基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体，包括：

将所求函数边界的平面空间正交等分成m*m，得到m*m个正交均匀覆盖解，m为正整数；