改进遗传算法之CHC算法简要介绍

简要介绍：

CHC算法是Eshelman于1991年提出的一种改进的遗传算法的缩称,第一个C代表跨世代精英选择(Cross generational elitist selection)策略, H代表异物种重组(Heterogeneous recom-bination),第二个C代表大变异(Cataclysmic mutation)。CHC算法与基本遗传算法SGA不同点在于:SGA的遗传操作比较单纯,简单地实现并行处理;而CHC算法牺牲这种单纯性,换取遗传操作的较好效果,并强调优良个体的保留。

1.选择
通常,遗传算法是依据个体的适应度复制个体完成选择操作的，而在CHC算法中，上世代种群与通过新的交叉方法产生的个体群混合起来，从中按一定概率选择较优的个体。这一策略称为跨世代精英选择。其明显的特征表现在:
(1)健壮性。由于这一选择策略,即使当交叉操作产生较劣个体偏多时，由于原种群大多数个体残留,不会引起个体的评价值降低。
(2)遗传多样性。保持由于大个体群操作，可以更好地保持进化过程中的遗传多样性。
(3)排序方法克服了比例适应度计算的尺度问题。
2.交叉
CHC算法使用的重组操作是对均匀交叉的一种改进。均匀交叉对父个体位值的各位位置以相同的概率实行交叉操作,这里改进之处是:当两个父个体位值相异的位数为m时，从中随机选取m/2个位置，实行父个体位值的互换。显然，这样的操作对模式具有很强的破坏性，因此,确定阀值,当个体间的海明距离( Hamming distance)低于该阀值时,不进行交叉操作。并且，与种群进化收敛的同时，逐渐地减小该阀值。
3.变异
CHC算法在进化前期不采取变异操作，当种群进化到一定的收敛时期，从优秀个体中选择一部分个体进行初始化。初始化的方法是选择一定比例的基因座，随机地决定它们的位值。这个比例值称为扩散率，一般取 0.35。

CHC算法描述：N为种群大小，L为个体长， k为世代数， d为海明距离阀值，r为扩散率。

begin

	k= 0;

	d=L/4;

	P(k)初始化;

	P(k)的评价;

		直到满足终止条件终止

	begin

	k=k + 1;

	复制P(k-1)，与P(k)混合后产生混合种群C(k);

	C(k)中实行交叉，形成新种群C'(k);

	C'(k)的评价;

	从C'(k)和P(k- 1)中实行选择;

	if P(k)= =P(k- 1)

		d=d-1;

		if d<0

	begin

	P(k)的-部分个体实行初始化;

	d=r(1-r)L;

	end

	end

end

procedure交叉

begin

	C(k)中个体分别配对;

		begin

		求配对个体间的海明距离;

		if 海明距离> 2d

			实行改进的均匀交叉;

		else

			将该配对个体从种群中消除;

		end

	end

end

procedure选择

begin

	C' (k)按评价值优劣顺序排列;

	while P(k)中的最差者<C'(k)中的最优者

		两者替换;

end

procedure部分个体初始化

begin

	P(k- 1)中挑选较优秀的N个个体生成P(k);

	对P(k)中N-1个个体

	begin

	随机选择rL位，其位值随机地决定;

	个体评价;

	end

end

参考资料：[遗传算法：理论、应用与软件实现].王小平.曹立明.

巴特西

改进遗传算法之CHC算法简要介绍

最新文章

热门文章