[发明专利]基于复杂网络结构熵的遗传算法信息流网络属性分析方法

说明书

本发明涉及基于复杂网络结构熵的遗传算法信息流网络属性分析方法，包括构建遗传算法信息流网络模型，加边时同时对被选择但是没有经过交叉、变异的个体进行加边；计算遗传算法信息流网络结构熵，分析遗传算法信息流网络非均匀性。本发明方法相对于基于网络幂律度分布曲线中拟合的标度指数，依据网络中节点数目和节点连接度直接计算的网络结构熵，可以更加精确简洁的度量信息流网络的非均匀性；本发明将有助于理解遗传算法进化过程中优秀基因片段的组合和分布，并为设计更加高效的遗传算法提供新思路和新方法；本发明在遗传算法信息流网络建模过程中考虑了对被选择但是没有经过交叉、变异的个体进行加边，从而更精确地描述了遗传算法动力学特征。

技术领域

本发明涉及一种基于复杂网络结构熵的遗传算法信息流网络属性分析，属于遗传算法技术领域。

背景技术

基于达尔文进化论和孟德尔遗传理论的遗传算法是一种模仿自然进化过程的启发式搜索算法。目前，遗传算法已被成功应用于各种不同领域，解决了许多问题如图像的分割与处理、函数优化、组合优化、机器调度、设备布局设计等。但是，遗传算法的性能还有待改进，现有改进遗传算法性能的方法大多只局限于遗传算子的设计、群体生成策略等，从遗传算法动力学角度探索并改善算法性能的研究还非常少，所以本发明从遗传算法动力学的角度进行了进一步的研究。

复杂网络是一门迅速发展的新兴交叉学科，可用于描述系统中个体之间的关系以及系统的集体行为。复杂网络理论通过构建复杂网络模型研究复杂系统的生成演化机制，分析现实世界中各种复杂网络的结构特征，研究发生在复杂网络中的各种动力学行为。复杂网络理论在网络病毒传播、虚拟社区、温度变化、交通系统、灾害蔓延、生物系统等方面的研究工作已经取得了大量的成果。

本发明基于复杂网络理论研究遗传算法动力学。现有研究已经证明了遗传算法进化过程可以建模为复杂网络，即信息流网络。用复杂网络的角度解释算法运行过程中的各种现象，比如优秀基因在种群间的走向是怎样的，改变选择压力、交叉率或是变异率等因素到底会对种群的拓扑产生怎样的影响等等，遗传算法的性能和信息流网络结构之间有很紧密的联系。因此，基于复杂网络理论的遗传算法动力学研究可以为设计更加高效的遗传算法提供新思路和新方法。

文献[1,2]以种群中的个体作为网络中的节点，若两个节点发生交叉产生子代，则在这些节点之间加边，但是没有考虑维持种群遗传学多样性的变异行为。文献[3,4]在信息流网络的建模过程中考虑了变异操作，但是没有考虑那些被选择后没有经过交叉、变异的个体，这些个体在代与代之间的信息流动同样是信息流网络的重要组成部分。在另一方面已有研究验证发现当遗传算法选择策略使用轮盘赌选择方法，得到的信息流网络是无标度网络。从本质上讲，复杂网络的无标度性就是一种非同质性，它是网络涌现出的一种“序”。无标度网络中存在极少数具有大量连接的“核心节点”和大量具有少量连接的“末梢节点”，所以无标度网络是非同质的，或者是非均匀的。已有研究都是采用无标度网络幂律度分布中的标度指数刻画这种非均匀性，标度指数越大，幂律度分布曲线下降越快，网络的非均匀性越明显。但从无标度网络的定义可以看出，标度指数只是对网络幂律度分布曲线拟合的一个估计参数。实际上，在现实世界中抽象得到的复杂网络模型中，幂律度分布曲线可能是相当不规则的曲线，也可能并不是严格递减的曲线，即使是递减的曲线，通过拟合得出的标度指数也是非常不精确的，而且计算复杂。

文献[1]Oner M K,Garibay I I,Wu A S.Mating networks in steady stategenetic algorithms are scale free[C].Proceedings of the 8th annual conferenceon Genetic and evolutionary computation.ACM,2006:1423-1424.