[发明专利]一种遗传算法与差分进化算法串行融合的进化算法

说明书

技术领域

本发明涉及一种进化算法领域，尤其涉及一种遗传算法与差分进化算法串行融合的进化算法。

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，如遗传算法和差分进化算法等。遗传算法应用广泛、实用、鲁棒性高，但容易过早收敛。差分进化算法结构简单、通用、可靠性高，但计算效率较低。

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，遗传算法容易过早收敛，差分进化算法计算效率较低，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差分进化算法各自存在自身的缺点，例如，遗传算法容易过早收敛，差分进化算法计算效率较低。

为解决上面的技术问题，本发明提供了一种遗传算法与差分进化算法串行融合的进化算法，解决了遗传算法容易过早收敛、差分进化算法计算效率较低的问题，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，设置适应度函数值的最小阈值为进化计算终止条件，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；

S5，对子代种群1进行差分进化操作，产生子代种群2；

S6，将子代种群2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、差分进化算法进行融合操作，解决了遗传算法容易过早收敛的缺点和差分进化算法计算效率较低的缺点，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。

上述进一步的有益效果：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。

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。

进一步地，所述步骤S5中对子代种群1进行差分进化操作，产生子代种群2的过程具体包括：对子代种群1中的全部个体进行变异操作、交叉操作、边界条件处理和选择操作的差分进化操作，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10～200。

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差分进化算法串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差分进化算法串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差分进化算法串行融合的进化算法，该算法包括如下步骤: