CN106960244A - 一种遗传算法与粒子群算法并行融合的进化算法 - Google Patents

一种遗传算法与粒子群算法并行融合的进化算法 Download PDF

Info

Publication number
CN106960244A
CN106960244A CN201710150892.7A CN201710150892A CN106960244A CN 106960244 A CN106960244 A CN 106960244A CN 201710150892 A CN201710150892 A CN 201710150892A CN 106960244 A CN106960244 A CN 106960244A
Authority
CN
China
Prior art keywords
population
algorithm
end condition
fitness
particle cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710150892.7A
Other languages
English (en)
Inventor
包子阳
余继周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Radio Measurement
Original Assignee
Beijing Institute of Radio Measurement
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Radio Measurement filed Critical Beijing Institute of Radio Measurement
Priority to CN201710150892.7A priority Critical patent/CN106960244A/zh
Publication of CN106960244A publication Critical patent/CN106960244A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种遗传算法与粒子群算法并行融合的进化算法，该算法包括如下步骤：S1，随机生成初始种群；S2，利用适应度函数对初始种群进行适应度的计算；S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件；S4，进行遗传操作，产生子代种群1，同时进行粒子群进化操作，产生子代种群2；S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。通过本发明解决了遗传算法后期效率低下、粒子群算法容易陷入局部最优解的问题，提高进化算法的优化效率和优化效果。

Description

一种遗传算法与粒子群算法并行融合的进化算法
技术领域
本发明一种进化算法领域，尤其涉及一种遗传算法与粒子群算法并行融合的进化算法。
背景技术
近年来，随着计算机技术的快速发展，为了在一定程度上解决大空间、非线性、全局寻优、组合优化等复杂问题，不少进化算法不断涌现，如遗传算法和粒子群算法等。遗传算法应用广泛、实用、鲁棒性高，但后期效率低下。粒子群算法搜索速度快、效率高，算法简单，但容易陷入局部最优解。
因为这些算法独特的优势，获得了国内外学者的广泛关注，掀起了研究热潮，并在电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科和信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域，得到了成功应用。但单种进化算法由于自身的缺点(例如遗传算法后期效率低下、粒子群算法容易陷入局部最优解)，不利于解决大空间、非线性、全局寻优、组合优化等复杂优化问题。
发明内容
本发明所要解决的技术问题是：目前现有技术中的遗传算法和粒子群进化算法各自存在自身的缺点(例如遗传算法后期效率低下、粒子群算法容易陷入局部最优解)。
为解决上面的技术问题，本发明提供了一种遗传算法与粒子群算法并行融合的进化算法，解决了遗传算法后期效率低下、粒子群算法容易陷入局部最优解的问题，提高进化算法的优化效率和优化效果，该算法包括如下步骤：
S1，随机生成初始种群；
S2，利用适应度函数对初始种群进行适应度的计算；
S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件，判断S2中的最优适应度是否满足终止条件，若满足，则输出具有最优适应度的个体，若不满足，则执行S4；
S4，对种群中不满足终止条件的全部个体进行遗传操作，产生子代种群1，同时对种群中不满足终止条件的全部个体进行粒子群进化操作，产生子代种群2；
S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；
S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。
本发明的有益效果：通过本发明的方法将遗传算法、粒子群进化算法进行融合操作，解决了遗传算法后期效率低下、粒子群算法容易陷入局部最优解的缺点，从而提高了进行算法的优化效率和优化效果。
进一步地，所述步骤S2中，适应度函数包括：目标函数映射成的适应度函数或基于序的适应度函数。
进一步地，所述S3还可以为设置最大进化代数值为进化计算终止条件。
进一步地，所述S4中对种群中不满足条件的全部个体进行遗传操作，产生子代种群1的过程具体包括：对种群中不满足条件的全部个体进行选择操作、交叉操作和变异操作的遗传操作，产生子代种群1。
进一步地，所述步骤S4中对种群中不满足条件的全部个体进行粒子群进化操作，产生子代种群2的过程具体包括：对种群中不满足条件的全部个体进行速度更新、位置更新和边界调节处理的粒子群进化操作，产生子代种群2。
进一步地，所述步骤S1中初始种群的范围为10～150。
上述进一步的有益效果：群体规模的大小将影响优化的最终结果以及优化效率。当群体规模NP太小时，优化性能一般不会太好。采用较大的群体规模可以减小优化算法陷入局部最优解的机会，但较大的群体规模意味着计算复杂度高。
进一步地，所述步骤S3中最小阈值取值范围10-5～10-7。
进一步地，所述的最大进化代数值取值范围为100～500。
上述进一步的有益效果：本发明采用上述的最小阈值取值范围10-5～10-7，最大进化代数值取值范围为100～500，能够大大较少了计算的过程，同时得到的结果会更加精确。
附图说明
图1为本发明的一种遗传算法与粒子群算法并行融合的进化算法流程图；
图2为本发明的一种遗传算法与粒子群算法并行融合的进化算法示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示的，本发明的一种遗传算法与粒子群算法并行融合的进化算法，该算法包括如下步骤:
S1，随机生成初始种群NP，其中随机生成群体规模为NP的个体的初始群体。群体规模的大小将影响优化的最终结果以及优化效率。当群体规模NP太小时，优化性能一般不会太好。采用较大的群体规模可以减小优化算法陷入局部最优解的机会，但较大的群体规模意味着计算复杂度高；
S2，利用适应度函数f(x)对初始种群NP进行适应度的计算，其中对群体中的个体，进行适应度计算。在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。适应度函数评估是进化选择的依据，适应度函数设计直接影响到进化算法的性能；
S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件，判断S2中的最优适应度是否满足终止条件，若满足，则输出具有最优适应度的个体，若不满足，则执行S4，其中判断最优适应度是否满足终止条件，终止条件可以是最大进化代数G，也可以是目标函数值的最小阈值等。G取值一般为100～500，最小阈值一般取10-6；
S4，对种群中不满足终止条件的全部个体进行遗传操作，产生子代种群1，同时对种群中不满足终止条件的全部个体进行粒子群进化操作，产生子代种群2；
S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3，比如子代种群1中有50个个体，子代种群2中有50个个体，合并起来就有100个个体，将这100个个体进行适应度排序，排序较高的前50个进行组合成子代种群3，将子代种群3执行步骤2循环步骤；
S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。
实施例
如图2所示，本发明一种遗传算法与粒子群进化算法串行融合的进化算法，
第一步随机生成初始种群NP
随机生成群体规模NP为50个个体的初始群体，每个个体的维数和取值范围根据具体优化问题确定，在本发明实例中取值每个个体的维数是10，每一维取值范围为[-512～512]。
第二步进行适应度计算
取适应度为函数f(x)值，对群体中的每一个个体进行适应度计算。其中运用遗传算法与粒子群进化算法融合的进化算法，计算函数-512≤xi≤512，x的维数n＝10的最小值。这是一个简单的平方和函数，只有一个最小点x＝(0，0，…，0)，理论最小值f(0，0，…，0)＝0。
第三步判断是否满足终止条件
取终止条件为最大进化代数G(即最大的循环次数)为100。判断是否满足终止条件，若满足终止准则，则输出最优结果，算法结束；若不满足，则进行步骤四操作。
第四步同时进行遗传操作和粒子群进化操作
对种群中的个体进行选择操作、交叉操作和变异操作的遗传操作，产生子代种群1；同时对种群中的个体进行速度更新、位置更新和边界调节处理的粒子群进化操作，产生子代种群2。
第五步产生新的子代种群
进行子代种群1个体和子代种群2个体合并，并按适应度排序，取适应度高的前一半种群个体为子代种群3，进行下一步循环操作。
第六步转至步骤二
进行进化循环优化操作，直至达到终止条件，输出优化结果。
在相同条件下，运用遗传算法、粒子群进化算法及两者融合的进化算法求函数f(x)的优化解及函数最小值如下表所示。可见融合算法比单独的遗传算法、粒子群进化算法有更好的优化结果。
对上述本发明进行了试验操作，对比优化结果对比表1如下：
表1优化结果对比表
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种遗传算法与粒子群算法并行融合的进化算法，其特征在于,该算法包括如下步骤：
S1，随机生成初始种群；
S2，利用适应度函数对初始种群进行适应度的计算；
S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件，判断S2中的最优适应度是否满足终止条件，若满足，则输出具有最优适应度的个体，若不满足，则执行S4；
S4，对种群中不满足终止条件的全部个体进行遗传操作，产生子代种群1，同时对种群中不满足终止条件的全部个体进行粒子群进化操作，产生子代种群2；
S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；
S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。
2.根据权利要求1所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述步骤S2中，适应度函数包括：目标函数映射成的适应度函数或基于序的适应度函数。
3.根据权利要求1或2所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述步骤S3中还包括：实施进化计算步骤，设置最大进化代数值为进化计算的终止条件。
4.根据权利要求3所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述S4中对种群中不满足终止条件的全部个体进行遗传操作，产生子代种群1的过程具体包括：对种群中不满足终止条件的全部个体进行选择操作、交叉操作和变异操作的遗传操作，产生子代种群1。
5.根据权利要求1、2或4所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述步骤S4中对种群中不满足终止条件的全部个体进行粒子群进化操作，产生子代种群2的过程具体包括：对种群中不满足终止条件的全部个体进行速度更新、位置更新和边界调节处理的粒子群进化操作，产生子代种群2。
6.根据权利要求5所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述步骤S1中初始种群的范围为10～150。
7.根据权利要求1、2或6所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述步骤S3中最小阈值取值范围10-5～10-7。
8.根据权利要求3所述的一种遗传算法与粒子群算法并行融合的进化算法，其特征在于，所述的最大进化代数值取值范围为100～500。
CN201710150892.7A 2017-03-14 2017-03-14 一种遗传算法与粒子群算法并行融合的进化算法 Pending CN106960244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710150892.7A CN106960244A (zh) 2017-03-14 2017-03-14 一种遗传算法与粒子群算法并行融合的进化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710150892.7A CN106960244A (zh) 2017-03-14 2017-03-14 一种遗传算法与粒子群算法并行融合的进化算法

Publications (1)

Publication Number Publication Date
CN106960244A true CN106960244A (zh) 2017-07-18

Family

ID=59470105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710150892.7A Pending CN106960244A (zh) 2017-03-14 2017-03-14 一种遗传算法与粒子群算法并行融合的进化算法

Country Status (1)

Country Link
CN (1) CN106960244A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681524A (zh) * 2018-05-03 2018-10-19 西安交通大学 一种基于混合进化算法的自由曲线轮廓度误差评定方法
CN108942936A (zh) * 2018-07-25 2018-12-07 重庆交通大学 一种机器人自适应可靠性优化方法
CN109397294A (zh) * 2018-12-05 2019-03-01 南京邮电大学 一种基于ba-abc融合通信算法的机器人协作定位方法
CN109451012A (zh) * 2018-11-01 2019-03-08 宜通世纪物联网研究院(广州)有限公司 一种端云协同负载均衡调度方法、系统及存储介质
CN109655792A (zh) * 2018-12-12 2019-04-19 北京无线电测量研究所 一种雷达数据并行处理方法、装置及存储介质
CN109672216A (zh) * 2018-11-26 2019-04-23 南瑞集团有限公司 一种基于多因子的主动配电网分层控制方法及系统
CN110765531A (zh) * 2019-10-23 2020-02-07 宁波工程学院 一种快速确定框架-摇摆墙结构中框架刚度的方法
CN113326917A (zh) * 2021-04-29 2021-08-31 开放智能机器（上海）有限公司 一种基于遗传算法的自动优化算子的方法和系统
CN113866118A (zh) * 2021-09-27 2021-12-31 国网四川省电力公司南充供电公司 一种筛选六氟化硫气体及其分解物红外波段的方法与系统
CN113866118B (zh) * 2021-09-27 2024-08-02 国网四川省电力公司南充供电公司 一种筛选六氟化硫气体及其分解物红外波段的方法与系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681524A (zh) * 2018-05-03 2018-10-19 西安交通大学 一种基于混合进化算法的自由曲线轮廓度误差评定方法
CN108681524B (zh) * 2018-05-03 2021-03-16 西安交通大学 一种基于混合进化算法的自由曲线轮廓度误差评定方法
CN108942936A (zh) * 2018-07-25 2018-12-07 重庆交通大学 一种机器人自适应可靠性优化方法
CN109451012A (zh) * 2018-11-01 2019-03-08 宜通世纪物联网研究院(广州)有限公司 一种端云协同负载均衡调度方法、系统及存储介质
CN109672216A (zh) * 2018-11-26 2019-04-23 南瑞集团有限公司 一种基于多因子的主动配电网分层控制方法及系统
CN109397294A (zh) * 2018-12-05 2019-03-01 南京邮电大学 一种基于ba-abc融合通信算法的机器人协作定位方法
CN109655792B (zh) * 2018-12-12 2022-11-08 北京无线电测量研究所 一种雷达数据并行处理方法、装置及存储介质
CN109655792A (zh) * 2018-12-12 2019-04-19 北京无线电测量研究所 一种雷达数据并行处理方法、装置及存储介质
CN110765531A (zh) * 2019-10-23 2020-02-07 宁波工程学院 一种快速确定框架-摇摆墙结构中框架刚度的方法
CN110765531B (zh) * 2019-10-23 2023-07-11 宁波工程学院 一种快速确定框架-摇摆墙结构中框架刚度的方法
CN113326917A (zh) * 2021-04-29 2021-08-31 开放智能机器（上海）有限公司 一种基于遗传算法的自动优化算子的方法和系统
CN113326917B (zh) * 2021-04-29 2024-06-25 开放智能机器（上海）有限公司 一种基于遗传算法的自动优化算子的方法和系统
CN113866118A (zh) * 2021-09-27 2021-12-31 国网四川省电力公司南充供电公司 一种筛选六氟化硫气体及其分解物红外波段的方法与系统
CN113866118B (zh) * 2021-09-27 2024-08-02 国网四川省电力公司南充供电公司 一种筛选六氟化硫气体及其分解物红外波段的方法与系统

Similar Documents

Publication Publication Date Title
CN106960244A (zh) 一种遗传算法与粒子群算法并行融合的进化算法
Zhao et al. An improved adaptive NSGA-II with multi-population algorithm
CN108846472A (zh) 一种自适应遗传粒子群混合算法的优化方法
Lin et al. A hybrid evolutionary immune algorithm for multiobjective optimization problems
CN108646560A (zh) 基于灰狼算法改进的风机功率模型参数寻优方法
CN102054002A (zh) 一种数据挖掘系统中决策树的生成方法及装置
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN106446603A (zh) 基于改进pso算法的基因表达数据聚类方法
Ming et al. Balancing convergence and diversity in objective and decision spaces for multimodal multi-objective optimization
CN107016441A (zh) 一种遗传算法与差分进化算法串行融合的进化算法
CN109991950A (zh) 基于遗传算法的协作机器人装配生产线的平衡改善方法
Xiao et al. A new artificial bee colony based on multiple search strategies and dimension selection
CN109460875B (zh) 基于果蝇优化算法的电力系统经济调度方法
CN110490446A (zh) 一种基于改进遗传算法的模块化工艺重组方法
CN110321995A (zh) 一种基于随机惯性权重的差分粒子群混合算法
CN110334797A (zh) 一种基于并行增强搜索粒子群优化算法的计算方法及系统
CN109492744A (zh) 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法
CN106610641A (zh) 针对动态作业车间调度问题的基于局部搜索遗传编程算法
CN109378036A (zh) 一种基于二系杂交水稻育种机制的启发式优化方法
Tang et al. Adaptation for parallel memetic algorithm based on population entropy
Pan et al. An adaptive genetic algorithm for the flexible job-shop scheduling problem
CN105426910B (zh) 一种基于改进abc算法与de变异策略的自适应聚类方法
CN105069192B (zh) 一种基于遗传算法求解风机功率曲线参数模型的改进方法
Wang et al. Non-dominated sorted genetic algorithm-II algorithm-based multi-objective layout optimization of solid wood panels
CN109491345A (zh) 一种基于关键工序质量控制的研究方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170718

RJ01 Rejection of invention patent application after publication