基于雙精英種群的單目標優化

[摘 要] 采用一種基于雙精英種群的協同進化算法對標準的測試函數進行實驗，并與FEP、OEA、MECA、SMES、RY、KM算法結果進行比較與分析，檢驗求解數值優化問題的性能。

[關 鍵 詞] 雙精英；協同進化；優化

[中圖分類號] G642 [文獻標志碼] A [文章編號] 2096-0603（2016）33-0131-01

一、引言

隨著研究的不斷深入以及積累，發現傳統算法在選擇操作和交叉操作中存在一些不足，以至于算法的收斂性和分布性受到影響。本文采用基于雙精英種群的精英策略來改進這些不足。

二、雙精英種群精英策略

本文是將整個種群劃分成兩個不同級別的精英種群和一個普通種群。高級別的精英種群保證精英個體的質量，低級別的精英種群保證精英個體的均勻性。設種群規模為N，種群pop=（x1，x2，…，xN），根據種群中個體適應度的高低，將排在種群pop前M1名的個體劃分為級別1的精英種群；種群pop中去除前M1名個體后得到種群pop2，將排在種群pop2前M2名的個體劃分為級別2的精英種群；剩余個體組成級別3的普通種群。

三、單目標優化仿真實驗

為了驗證雙精英種群精英策略的有效性，采用標準測試函數F01、F03對DEPEA算法求解無約束優化問題的性能，參照FEP、OEA算法的實驗設計，實驗結果如表1所示。采用標準測試函數G01、G09對DEPEA算法求解約束優化問題的性能，參照MECA、SMES、RY、KM的實驗設計，實驗結果如表2所示。

注：粗體表示效果好。

注：粗體表示效果好，“—”表示原文獻中未做統計。

四、實驗結果與分析

基于雙精英種群的協同進化算法在進化過程中更加強調精英個體的作用，從而能夠保證算法的收斂速度大大加快。多樣化地采用進化算子，能夠保證種群的多樣性，降低陷入局部最優的可能性，最終能夠改善優化結果。

五、小結

DEPEA采用協同進化策略并結合多種交叉變異算子，更有針對性地實現進化，避免過度隨機化造成算法停滯以及早熟收斂等情況的出現，該方法提高了算法的局部搜索和全局搜索的能力，保證了種群的多樣性，降低了算法陷入局部最優的風險，尋優結果也因此得到了改善。

參考文獻：

[1]周丹，耿煥同，賈婷婷，等.一種基于雙精英種群的協同進化算法研究[J].計算機應用與軟件，2015（2）：244-248.

[2]Liu J，Zhong WC，Jiao LC. An Organizational Evolutionary Algo-rithm for Numerical Optimization.IEEE Transactions on Systems，Man，and Cybernetics—Part B：Cybernetics，2007，37（4）：1052-1064.

[3]Thomas P.Runarsson，Xin Yao.Stochastic Ranking for Constra-ined Evolutionary Optimization[J].IEEE Trans.on Evolutionary Com-putation，2000，4（3）：284-294.

[4]Mezura-Montes E，Coello C A C.A simple multimembered evolution strategy to solve constrained optimization problems[J]. Evolutionary Computation，IEEE Transactions on，2005，9（1）：1-17.

[5]Yao X，Liu Y，Lin G.Evolutionary programming made faster[J].Evolutionary Computation，IEEE Transactions on，1999，3（2）：82-102.