一种混合改进遗传算法的嵌套分区算法

一种改进的混合遗传算法［提要］为了提高遗传算法的搜索效率，给出了一种改进的遗传算法。

该算法提出了新的交叉操作和仿粒子群变异，扩大了搜索范围。

通过经典函数的测试表明，改进算法与一般自适应遗传算法相比较，在函数最优值、平均收敛代数、收敛概率等方面都取得了令人满意的效果。

关键词：自适应遗传算法；适应度函数；交叉操作；仿粒子群变异中图分类号：TP3 文献标识码：A收录日期：2012年1月12日一、引言遗传算法（GA）由美国Michigan大学的Holland教授于1975年首先提出，后经De Jong、GoldBerg等人改进推广，广泛应用于各类问题。

它是一种模拟自然界生物进化过程与机制的全局概率优化搜索方法。

早期遗传算法在进化过程中易出现早熟收敛和局部收敛性差等问题，为了克服上述问题，人们提出了多种改进算法，本文针对遗传算法的不足，采用实数编码对遗传算法中的交叉和变异操作进行改进，提高了算法全局搜索能力，最后使用改进的算法进行仿真实验，结果表明本算法具有收敛概率高和平均收敛代数少的优点。

二、改进的遗传算法1、改进的交叉操作。

本文遗传算法采用实数编码，改进的交叉操作是先在交叉前产生三个服从均匀分布的随机数a∈［0，1］、b∈［－1，1］、c∈［－1，1］，然后假设x1，x2是要交叉的两个父代，个体变量为m维，则x1，x2可以表示为x1=（x11，x12，…，x1m），x2=（x21，x22，…，x2m），其中为位移变量，其中?驻ij=min｛（xij-），（－xij）｝（i=1，2；j＝1，2，…m），最后进行两次操作得：x1’=x1+b•?驻1x2’=x2+c•?驻2 （1）x1’’=ax1’+（1－a）x2’x2’’=ax2’+（1-a）x1’ （2）x1’，x2’，x1’’，x2’’分别为两次操作所产生的子代，从这4个子代中选取适应度大的两个保留到下一代。

通过这种操作可以有效地避免两个数值相近的个体进行“近亲繁殖”（数值相近的个体若只进行（2）式的操作会导致种群多样性快速下降），同时由于b，c的选取，生成的x1’，x2’是两个不相干的个体，彼此之间独立，由（2）式决定的后代还可以使子代遗传父代的某些有用因素，同时由于（1）式的位移调整，使得（2）式生成的后代比一般的算数交叉产生后代的范围扩大，提高算法的搜索范围，避免搜索陷入一个局部区域而出现“早熟”，最后再引入竞争机制在这四个后代中选出两个最好后代个体，这样在保证多样性的同时可以加快收敛的速度。

基于遗传算法的混合优化方法
张海燕;潘成欣
【期刊名称】《计算机工程与应用》
【年(卷),期】2006(42)17
【摘要】在传统遗传算法基础上,对交叉、变异后所得结果的处理以及进化过程的整体分布方面进行了改进,并将改进的遗传算法与广义线性反演方法相结合,提出了一种混合优化算法:以改进的遗传算法为基础,在进化的每一代种群中选择目标函数最小的个体,进行一定次数的线性化迭代.混合优化算法克服了线性化方法依赖于初始值和遗传算法局部搜索能力差的缺陷.数值试验表明,将该算法用于AVA多参数反演中,提高了反演的精度,加快了收敛的速度,并具有较强的抗噪能力.
【总页数】3页(P56-58)
【作者】张海燕;潘成欣
【作者单位】中国海洋大学信息科学与工程学院,山东,青岛,266071;中国海洋大学信息科学与工程学院,山东,青岛,266071
【正文语种】中文
【中图分类】TP301
【相关文献】
1.基于遗传算法和模式搜索的混合优化方法 [J], 钟静;赖于树;吴鸿娟
2.基于改进遗传算法的多类图元混合加工路径优化方法 [J], 陈光黎;雷欢;吴亮生;高小征;杨阳;周俊伍
3.基于混合遗传算法的物流路径优化方法研究 [J], 申艳光;张玲玉;刘永红
4.基于混合型遗传算法的森林可燃物热解动力学参数优化方法 [J], 牛慧昌;姬丹;刘乃安
5.基于精英自适应混合遗传算法的机场灯光站三相不平衡优化方法 [J], 侯启真; 左琎; 王罗平
因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的混合遗传算法求解0_1背包问题白东玲;郭绍永【期刊名称】《电子设计工程》【年(卷),期】2013(21)14【摘要】knapsack problem is a combinatorial optimization of one of the NP.This paper proposes an improved hybrid genetic algorithm,which is composed by genetic algorithm and greedy algorithm,for solving the 0-1 knapsack problem.The hybrid genetic algorithm repeats the process,which is done by selection,crossover,mution and greedy algorithm,until the optimal solution is found out in a reasonable amount of time,using the elitism mechanism to accelerate the convergence process.The experimentl results show that the improved GA effectively overcome the premature phenomenon and is also suitable for other combinatorial optimization problems.%背包问题是组合优化中的NP(Non-Deterministic Polynomial)难题之一,论文将贪婪算法与遗传算法相结合提出一种改进的混合遗传算法来求解0_1背包问题.改进的混合遗传算法通过遗传算法的择优,重复执行选择、交叉和变异以及贪婪算法的修正这样一个过程,使得所求解在可以接受的时间内越来越接近最优解.同时采用精英保留机制来加快算法的收敛速度.最后通过实证明该改进的算法可以有效地克服遗传算法中早熟的现象,该方法同样也适用其他优化问题.【总页数】3页(P9-11)【作者】白东玲;郭绍永【作者单位】新乡医学院计算机中心,河南新乡453003;新乡医学院现代教育技术中心,河南新乡453003【正文语种】中文【中图分类】TP18【相关文献】1.基于二进制改进遗传算法的0_1背包问题求解方法 [J], 帅训波;周相广;李树铁;陈东;田鸿鹏2.求解0-1背包问题的改进混合遗传算法 [J], 刘寒冰;张亚娟3.对求解0-1背包问题的混合遗传算法的改进 [J], 刘茜;马杰良4.一种改进的免疫遗传算法求解0-1背包问题 [J], 杜彦华;靳宗信5.一种求解背包问题的混合遗传算法 [J], 李娟;方平因版权原因，仅展示原文概要，查看原文内容请购买。

嵌套遗传算法
嵌套遗传算法（NestedGeneticAlgorithm，NGA）是一种基于遗传算法的优化算法，它与传统的遗传算法不同之处在于，NGA采用了“内部遗传算法+外部遗传算法”的嵌套结构，将多个遗传算法嵌套在一起进行优化，从而提高了全局搜索的效率和精度。

NGA的基本思想是将原问题分解为多个子问题，每个子问题都分别使用遗传算法进行优化。

其中，外部遗传算法负责对子问题进行选择、交叉和变异等操作，内部遗传算法则负责对每个子问题进行进一步的优化。

通过这种嵌套结构，NGA能够充分利用遗传算法的优点，同时避免其缺点，从而提高了优化效果。

NGA的应用范围非常广泛，它可以应用于各种复杂的优化问题，如函数优化、网络设计、组合优化等。

在实际应用中，NGA已经取得了很好的效果，并且逐渐得到了越来越广泛的应用。

- 1 -。

第11卷第20期2011年7月1671—1815（2011）20-4836-03科学技术与工程Science Technology and EngineeringVol.11No.20July 2011 2011Sci.Tech.Engng.一种改进的遗传算法及其应用排新颖马善立（中国石油大学（华东）数学与计算科学学院，青岛266555）摘要遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。

针对早熟收敛和最优值精度低，采用了对搜索参数进行动态调整的优化计算。

在进化的全过程中，算法始终保持较强的全局搜索能力和局部寻优能力。

测试结果表明，对遗传算法的此种改进是有效的，不易陷入局部最优，并能大大提高最优解的精度。

关键词遗传算法实数编码过早收敛中图法分类号O231；文献标志码A2011年3月23日收到，4月2日修改第一作者简介：排新颖（1977—），山东临清人，讲师，博士，研究方向：非线性分析。

遗传算法将生物的演化过程看作一个长期的优化过程，利用生物演化的思想去解决复杂的问题，这样不必精确地描述问题的全部特征，对优化对象没有可导、连续等要求；采用基于种群的搜索机制，强调个体之间的信息交换，只需根据优胜劣汰的自然法则产生新的更优解。

尽管遗传算法有许多优点，但在实际应用中仍然存在许多不足，主要表现为遗传算法的“早熟”现象，即很快收敛到局部最优解而不是全局最优解；遗传算法的搜索结果是在最优值附近跳跃摆动，精度不高等等。

1算法简述改进的遗传算法步骤为：1）初始化，输入待求解问题的各种数据及控制参数：种群规模、交叉概率、变异概率及算法终止标准，初始标准差D ，标准差D 的最大值，最小值；压缩因子C （用来调整进化过程中的标准差）。

2）采用十进制浮点数编码，随机产生满足约束条件的初始群体；求出每个个体的适应值。

3）运用“适者生存，优胜劣汰”的自然选择规律，按照个体性能进行锦标赛选择。

4）根据交叉概率使用解群中性能最好的个体X （1）与选择出的个体X （n ）进行交叉操作［1］：g =X （n ）+r *（X （1）－X （n ）），其中r 是［0，1］之间的随机数；若g 满足约束条件，则用g 替换X （n ），存储相应的适应值，否则继续交叉操作；交叉操作结束后，寻找当前适应值最好的个体代替X （1）。

嵌套分区算法嵌套分区算法是一种常用的磁盘空间管理算法，用于将磁盘划分为多个不同大小的分区，并按照某种规则将文件和目录分配到这些分区中。

该算法的核心思想是将磁盘空间按照层次结构进行划分，以便能够更高效地管理文件和目录。

嵌套分区算法的基本原理是将磁盘分为若干个不同大小的分区，并且每个分区内部也可以再次划分为更小的分区。

这样一层一层的分区结构形成了一个嵌套的层次关系，类似于树的结构。

每个分区都有其对应的索引节点（Inode），用于存储文件的元信息，如文件名、文件大小、访问权限等。

嵌套分区算法通常采用树形结构来表示分区，其中最上层为主分区（Master Partition），主分区下面可以再划分为次级分区（Sub-Partition），次级分区又可以进一步分为更小的子分区（Sub-Sub Partition），依此类推。

每个分区都会有一个唯一的标识符，用于索引和定位该分区。

在进行空间分配时，嵌套分区算法需要遵循一定的规则。

通常情况下，文件和目录会被分配到尽量靠近已分配区域的分区中，以便提高文件的读取和写入效率。

因此，嵌套分区算法在文件分配时会优先考虑分配到较小的分区中。

嵌套分区算法还包括了一些重要概念和操作，用于动态管理磁盘空间。

例如，分区的合并和分割操作可以用于调整分区的大小和位置。

合并操作可以将相邻的两个分区合并为一个更大的分区，从而提供更大的可用空间。

分割操作则可以将一个分区分割为多个较小的分区，以适应新的磁盘空间需求。

此外，嵌套分区算法还需要考虑一些额外的问题，如碎片整理和文件系统的设计。

碎片整理可以用来解决磁盘空间的碎片化问题，通过重新组织文件和分区的布局，以减少碎片的数量。

文件系统的设计则需要考虑如何有效地存储和管理文件的索引、权限和其他元数据信息。

总的来说，嵌套分区算法是一种高效的磁盘空间管理算法，能够有效地对磁盘空间进行划分和管理。

它通过层次化的分区结构，提供了更灵活和可扩展的磁盘空间管理方案。