文档介绍：改善自适应遗传算法的性能分析 遗传算法matlab程序
摘要：遗传算法存在未成熟收敛和收敛速度慢等不足之处，传统的自适应遗传算法虽能有效提升算法的收敛速度，却难以增强算法的鲁棒性。文中提出的改善的自适应遗传算法，提升了其搜索能力，含有更加快的收敛速度和更可靠的稳定性，达成了预期的效果。关键词：遗传算法；自适应；收敛；改善；性能
中图分类号: TP18文件标识码：A文章编号：1009-304421-5202-04
遗传算法[1]是一个模拟生物群体进化的随机优化算法，它是由美国密歇根大学教授创建的。标准的遗传算法往往存在一定的不足之处，比如轻易出现早熟和过慢的收敛速度等不良现象。鉴于此，Srinvas等提出了自适应遗传算法[4]，在GA中应用自适应调整交叉率和变异率，结果证实，这种算法在GA的收敛速度方面能够很好的改善。不过，AGA在演化早期存在停滞现象，故将自适应调整交叉率和变异率的方法用于GA以提升算法收敛速度和鲁棒性仍十分含有挑战性[6]。文件[3]提出一个改善的自适应遗传算法，在一定程度上提升算法的计算速度和收敛速度。但因为它们计算所得到的变异概率Pm及交叉概率Pc含有不良的稳定性，同时该算法对整体协作能力存在不足。
为此，该文提出一个新的改善遗传算法，改善后的算法效果良好，在算法的收敛速度和全局搜索性能等方面全部具有良好的效果。
公式中：?max是指群体的最大适应度；?avg是指群体的适应度平均值；?’是指杂交双方适应度大者的适应度；?是指个体的适应度；0
这种算法能够依据每代个体适应度的改变来自适应地改变Pm和Pc，在保护最优个体的同时，加紧了较差个体的淘汰速度。该算法在一定程度上能够改进遗传算法的性能。但该算法也存在不轻易跳出局部最优解，因为该算法是以个体为单位改变Pm和Pc，缺乏对整体的协作精神。同时，因为该算法对每个个体全部要分别计算Pm和Pc，这么会影响程序的实施效率，也不利于硬件的实现。文件[3]提出的自适应遗传算法
针对所提出的算法的缺点，文件[3]提出一个改善的自适应遗传算法。其经过判定适应度集中程度的情况，对整个群体的Pm和Pc进行自适应地改变调整，同时将群体适应度的集中程度用三个变量来衡量，即：适应度平均值、群体的最大适应度、最小适应度。文件[3]提出的算法在一定程度上能够提升算法的计算速度和收敛速度。但因为它们计算所得到的变异概率Pm及交叉概率Pc含有不良的稳定性。尤其在碰到峰值密度较高的多峰值函数时，更轻易出现得到概率较大的结果的现象。同时，该算法在一定程度上也是缺乏对算法的整体协作能力。
整体把控能力等方面全部存在一定的不足之处。为此，本文在基于上述自适应遗传算法的基础上，提出一个新的自适应遗传算法，以改善其在上述所存在的不足。
和进化代数相关的杂交概率的改善介绍
杂交算子的关键目标是用来产生新个体，同时也是为了让算法具有全局搜索的能力。所以，当我们以种群中的个体来观察时，假如杂交的概率偏大，群体中的优良模式就会被破坏；而假如杂交的概率偏小时，对于新个体的产生速度又会变得缓慢。在这里能够看出，和个体适应度相关的杂交概率的算法是含有一定的优势的。当我们以种群整体进化的整个过程来观察时，杂交概率应该会一个稳定但会慢慢变小，最终会向某一个稳定值