離散變量多群體演化算法的研究.pdf

1、遺傳算法、交叉熵方法均是有效的全局隨機(jī)搜索技術(shù)，但兩者由于單種群優(yōu)化而容易出現(xiàn)早熟收斂或收斂慢的情況，為克服這種缺陷，本文引入團(tuán)隊(duì)進(jìn)步算法的雙群體分工模型，在遵循原算法機(jī)理特性的基礎(chǔ)上分別提出雙群體遺傳算法(DPGA)和雙群體交叉熵方法(DPCE)。
　　 遺傳算法的變異、交叉熵的的整個(gè)運(yùn)算過(guò)程可類(lèi)比于團(tuán)隊(duì)進(jìn)步算法的探索行為，所以在兩原算法中只需引入學(xué)習(xí)和成員更新規(guī)則，便設(shè)計(jì)成與團(tuán)隊(duì)進(jìn)步算法具有相同行為特征的雙群體算法。通過(guò)基準(zhǔn)

2、函數(shù)測(cè)試表明，兩個(gè)新算法在收斂速度和全局尋優(yōu)能力上都明顯提高。之后在DPCE中利用組合問(wèn)題的交叉熵模型、在DPGA中利用2-opt 鄰域交換策略，分別將兩種雙群體算法改造成離散變量?jī)?yōu)化算法，并應(yīng)用于 TSp問(wèn)題。兩個(gè)新算法對(duì)30城市以?xún)?nèi)的TSp問(wèn)題均能給出最佳路徑，而對(duì)多城市問(wèn)題求得的最好解也比單種群更優(yōu)。
　　 最后將雙群體算法用于相控陣天線綜合，對(duì)陣元相位分別進(jìn)行離散和連續(xù)兩種優(yōu)化，通過(guò)對(duì)20 元線陣和64 元面陣的不同掃描