[发明专利]一种基于后期无变异算子的RNA遗传算法的改进方法

说明书

本发明公开了一种基于后期无变异算子的RNA遗传算法的改进方法，进化前期以寻找最优解的大概位置为目标，通过在适应度高的个体与适应度低的个体组成的交叉池中执行两点交叉和固定概率变异操作提高种群的多样性，以提高算法的全局搜索能力；进化后期以提高局部搜索能力确定最优解为目标，利用适应度高的个体与适应度高的个体进行交叉来产生适应度更高的个体，从而提高搜索精度。

技术领域

本发明属于遗传算法领域，更具体的说，它涉及一种基于后期无变异算子的RNA遗传算法的改进方法。

背景技术

根据达尔文的生物进化理论，自然界中的生物对生存环境具有优良的自适应能力，各个物种在竞争环境中生存，优胜劣汰，使得生物不断进化。受生物进化机理启发，从而模拟生物自然进化过程，提出了以实现优化为目的地智能优化算法即遗传算法。

遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题具体的领域，对于问题的种类有很强的鲁棒性，所以广泛应用于许多学科。它已经在人工智能、机器人学、社会科学、生物工程、自动控制等应用，并取得了较好的效果。但是由于遗传算法的早熟收敛性和局部寻优能力较差局部搜索能力差和容易陷入局部最优等缺点，限制了遗传算法的进一步推广和应用。

发明内容

本发明的目的在于提供一种基于后期无变异算子的RNA遗传算法的改进方法，进化前期以寻找最优解的大概位置为目标，通过在适应度高的个体与适应度低的个体组成的交叉池中执行两点交叉和固定概率变异操作提高种群的多样性，以提高算法的全局搜索能力；进化后期以提高局部搜索能力确定最优解为目标，利用适应度高的个体与适应度高的个体进行交叉来产生适应度更高的个体，从而提高搜索精度。

本发明解决其技术问题所采用的技术方案是：一种基于后期无变异算子的RNA遗传算法的改进方法，包括以下步骤：

步骤一：随机产生大小为N的初始种群，将每个个体的编码长度记为L，采用

N×L种群矩阵表示，种群矩阵中的每一行对应一个个体；

步骤二：对每个个体进行解码，将获得的每个个体的解码值代入适应度函数中，求出每个个体的适应度值，获得矩阵fitness＝(f_i)_1×N；

步骤三：对fitness＝(f_i)_1×N作排序操作，搜索最优值f_best；排序操作方便步骤五中种群中的中性个体和不良个体的选择。

步骤四：判断f_best是否满足终止条件①或②：①|f_best-f^*|≤e；②迭代次数达到设定的最大次数；满足则结束搜索，输出结果，不满足则执行步骤五，其中，f^*表示适应度函数的最优值，e表示设定的求解精度；

步骤五：按照适应度比例对种群中的个体进行选择和复制，选择和复制大小为N/2的“中性个体”和N/2的“不良个体”组成新的种群矩阵，且在新的种群矩阵中前N/2行属于“中性个体”，后N/2行属于“不良个体”；

步骤六：判断新的种群是否处于进化前期，如果是，则将新的种群矩阵中的个体顺序随机打乱，从打乱后的种群矩阵中选择两个个体做两点交叉操作，并对交叉后的种群中的个体做固定概率变异操作，若不是，则执行步骤七；作两点交叉操作的目的是产生新的后代，提高种群的多样性。由于交叉有可能会破坏某些优良的基因，所以用固定概率变异对被坏的基因进行修复。两点交叉操作和固定概率变异操作在本领域属于常用的操作方法，在此不作赘述。

步骤七：在新的种群中保留中性个体，对中性个体进行置换、移位和互换操作；

步骤八：重复步骤二—步骤七。