基于交叉库与并行变异的自适应遗传算法

在工业生产中适当地使用优化算法,会极大地提高生产效率,节约生产成本。遗传算法是最经典的优化算法之一,由于其隐含并行性好、鲁棒性高、操作简便以及结果可靠等优点,被广泛应用于函数优化、人工智能、图像处理以及数据挖掘等领域。然而,传统的遗传算法存在许多不足,特别是收敛速度慢、收敛精度低与局部寻优能力差等问题,严重影响了遗传算法的实际应用效果。为了解决上述问题,本文从对交叉和变异相关操作的改进入手,提出了一种基于交叉库与并行变异的自适应遗传算法。首先,分析了传统遗传算法寻优过程中对种群情况考虑不足的缺点,分别基于种群特征值和种群信息熵与个体分布,设计了种群多样性度量函数,给出了相邻代种群相似性的概念来判断种群进化效果；通过综合考虑种群多样性与相邻代种群相似性,确定了一种新的种群评价标准——种群活力；利用种群活力,本文设计了一种新的交叉变异概率自适应变化规则,将种群适应度平均数替换为适应度众数作为新的种群适应度参考量,由种群活力与个体适应度值共同决定交叉变异概率的大小。为加快遗传算法的收敛速度,提出了动态交叉库的概念,将符合进化特征的个体存入交叉库并在交叉时作为父代参与交叉操作运算；为提高算法局部寻优能力,引入并行变异操作机制,可同时执行多种变异规则。最后,通过货物运输结构优化和油品调和优化两个应用实例来验证本文方法的有效性。实验比较结果表明,本文所提的算法能较好地克服遗传算法收敛慢、精度低和局部收敛等问题,有效提高算法的整体性能。