论文摘要
多峰优化问题广泛存在于优化、机器学习、工业应用等领域。小生境遗传算法是用来解决多峰优化问题的有效手段。目前,小生境遗传算法中用得最多的是基于共享函数的适应值共享遗传算法。这类算法的缺陷在于需要事先估计解空间的峰半径和峰个数,但大多数实际设计问题和决策问题的解空间都比较复杂,很难准确估计出算法需要的参数。针对上述问题,本文在阅读大量国内外文献的基础上,对小生境遗传算法进行了一定的理论研究和分析,主要包括以下内容:1.简要介绍了遗传算法的发展历史和研究现状,并阐述了遗传算法的基本原理、基本概念以及主要实现技术,同时分析了遗传算法的局限性,并提出算法所需解决的关键问题。2.详细介绍了目前常见的几种小生境遗传算法。阐述了每一种小生境算法的主要思想和算法步骤,并对算法的搜索性能和收敛速度做了对比分析。其中,重点介绍了适应值共享遗传算法。3.在自适应小生境遗传算法的基础上,本文提出自适应K—均值聚类适应值共享小生境遗传算法。这种算法将聚类分析、自适应技术有机地结合起来,并且对于通常的K——均值聚类方法做了改进,即引进了一个最小聚类距离,通过调节最小聚类距离控制收敛到的小生境的数目,避免找到无效的极值点。这种算法不仅无需事先确定生境的具体数目和生境半径的大小,而且计算量小,搜索效率较高。给出的仿真实验表明,随着进化代数的增加,自适应K—均值聚类适应值共享小生境遗传算法具有较好的多峰搜索能力,提高了算法适用性。