文档介绍：自适应 Memetic 算法摘要:在处理多峰函数的优化问题时, 遗传算法局部搜索能力差, 并且容易早熟。针对这种问题,将遗传算法与多种局部搜索算法相结合, 形成多种 Memetic 算法。通过进行数值优化实验, 发现算法的优化效率有所提高, 但是局部搜索算法的不同对优化性能影响很大。为解决这种问题, 在传统 Memeti c 算法的基础上提出了一种使每代个体根据局部搜索算法的搜索效率自适应选取局部搜索算法的 Memetic 算法, 即基于离散度的自适应 Memetic 算法。通过测试函数测试, 这种算法具有更高的效率和更强的通用性。关键词:多峰函数优化;遗传算法; 局部搜索算法;离散度;自适应 Memetic 算法中图分类号: TP312 文献标识码: A 文章编号: 16727800 ( 2013 ) 009005803 作者简介: 王振华( 1986- ),男, 上海飞机设计研究院民用飞机模拟飞行国家重点实验室工程师,研究方向为飞行仿真。 0 引言遗传算法是一种全局优化算法, 是模拟生物在自然界中的进化过程而形成的, 已在机器学****组合优化、图像处理和自适应控制等领域中广泛应用。然而大量研究与实践显示, 遗传算法全局搜索能力很强而局部搜索能力不是很强, 且容易过早地收敛, 相反, 局部搜索算法搜索目的性很强, 能够很快收敛到局部最优解,因此将局部搜索算法与遗传算法相结合,可以提高遗传算法的优化性能。我们称这种混合算法为遗传局部搜索算法, 也可称作 Memetic 算法。 Memetic 算法是一种局部搜索侧略与全局搜索策略相结合的算法[1] 。相比传统的遗传算法, 这种结合机制使其在某些问题优化中的搜索效率快很多。 Memetic 算法提出的是一个概念,一种框架,不只是混合遗传算法或拉马克进化算法。在这种框架下, 不同搜索策略的选取可以形成不同的 Memetic 算法,比如局部搜索算法可以选取模拟退火、爬山搜索、禁忌搜索、贪婪算法等, 全局搜索算法可以选取进化规划、进化策略、遗传算法等。全局搜索策略与局部搜索策略耦合的过程中有以下 6 个方面[2] 需要注意: ①局部搜索的频率; ②个体进行局部搜索的概率;③种群中可进行局部搜索的范围;④局部搜索的强度; ⑤局部搜索方法的选择; ⑥如何减小通过引入局部搜索算子而增加的计算时间。局部搜索算法有很多, 不同的局部搜索算法对特定优化问题的优化效率差别很大。自适应 Memetic 算法, 即可以根据优化问题的不同自适应的选取局部搜索算子的 Memetic 算法,成为优化算法领域新的研究方向。 Krasnogor 在文献[3] 中提出了对多种局部搜索算法进行整合, 并依据局部搜索邻域的选择函数与当前算子的搜索情况来选取局部搜索算法的策略。文献[4] 中用“ hyperheuristic ”一词来描述将多个局部搜索算法整合, 不同个体采取不同局部搜索算法的策略。 Smithz 提出了 Coevolving Memetic 算法,采用某种策略选择局部搜索算法[5] 。这种策略, Ong and Keane 描述为“ metaLamarckian learning ”[6] 。文献[7] 总结了自适应 Memetic 算法的研究现状。局部搜索个体的选择策略同样是 Memetic 算法的研究重点。文献[8] 中提到