下载文档原格式
混沌粒子群优化算法¨计算机科学2004V01．31N-o．8高鹰h2胜利1(华南理工大学电子与信息学院 510641)1(大学信息机电学院计算机科学与技术系 510405)2摘要粒子群优化算法是一种新的随机全局优化进化算法。
本文把混沌手优思想引入到粒子群优化算法中，这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混池寻优，然后把混沌寻优的结果随机替换粒子群体中的一个粒子。
通过这种处理使得粒子群体的进化速度加快t从而改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。
仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。
关键词粒子群优化算法。
混沌手优，优化’ChaosParticle SwarmOptimizationAlgorithmGAOYin91”XIESheng—Lil(Collegeof Electronic＆InformationEngineeringtSouthChina University ofTechnology，Guangzhou510641)1(Dept．of ComputerScience andTechnology．GuangzhouUniversity·Guangzhou510405)2Abstract Particle swarmoptimizationis anewstochasticglobaloptimization evolutionaryalgorithm．Inthis paper，the chaotic searchis embeddedintooriginalparticleswarmoptimizers．Basedon theergodicity，stochastic propertyandregularityofchaos，fl newsuperiorindividualisreproducedbychaoticsearchingonthecurrentglobalbest individ—ual。
基于种间竞争遗传算法的改进及其应用在简单遗传算法的基础上，提出了一种基于种间竞争的分类规则挖掘算法。
通过改进适应度函数、双群体结构和遗传算子等方法，将其应用于收入分类的数据挖掘研究中,能够高效地得到性能好的规则。
标签：遗传算法分类规则种间竞争一、引言遗传算法(Genetic Algorithm, GA)是由美国J.Holland教授于1975年在其论文“自然系统和人工系统的适配”中提出，并已得到了广泛的应用，不过它仍然存在过早收敛和局部最优等问题。
本文在引入“种间竞争”的思想的同时对其进行改进，在一定程度上解决了其“早熟”的问题。
基于种间竞争的基本遗传算法的计算步骤大部分与单种群基本遗传算法一致，不同的是在产生初始群体时，不是产生1个群体，而是2个群体。
在遗传操作后插入群体之间的信息交换，即种间竞争。
二、种间竞争算法的改进1.改进思想(1)初始种群:个体按照适应值降序排列，将前三分之一放入群体1而剩余的三分之二放入群体2。
群体1比群体2优秀，这样就能较快地在群体1中挖掘到优秀的个体。
(2)群间比较和交换方法:相隔几代相互替换个体一次，本文是用群体2中较优秀的个体去交换1中较差的个体，这样既保持了群体1的多样性又保持了其优秀性。
(3)自适应变异算子：变异概率（Pm）能够控制新基因导入群体的比例。
Srinivas等提出变异概率自适应改变的方法:当种群各个个体适应度差别小并趋于收敛时，增大Pm参数值；当种群适应度较为发散时，降低Pm参数，使个体趋于收敛。
(4)适应度函数：本文采用适应度函数F=W1*Conf+W2*Sup（0w2，且W1+W2=1），即：F= W1*Conf+ (1-W1)*Sup。
一般W1取0.7，这样得到的规则正确性高，而且也不会产生大量的细节规则。
2.改进算法描述Step1：求个体适应值并降序排列并生成两个初始群体。
Step2：两个群体独立执行遗传算子产生后代。
Step3：种间竞争：竞争频率C，群间比较个数R。
遗传算法综述遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。
进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。
在阅读了一些相关资料后，我整理出这篇综述，将通过五个部分来介绍遗传算法以及其在计算机科学领域的相关应用、一、起源和发展分支尝试性地将生物进化过程在计算机中模拟并用于优化问题求解开始于20世纪50年代末，其目的是将生物进化的思想引入许多工程问题中而成为一种优化工具，这些开拓性的研究工作形成了遗传算法的雏形。
但当时的研究进展缓慢，收效甚微。
原因是由于缺少一种通用的编码方式，人们只有通过变异才能改变基因结构，而无法使用交叉，因而增加了迭代次数。
同时算法本身需要较大的计算量，当时的计算机速度便无法满足要求，因而限制了这一仿生过程技术的迅速发展。
20世纪60年代中期，Holland在Fraser和Bremermann等人研究成果的基础上提出了位串编码技术，这种编码技术同时适用于变异操作和交叉操作。
遗传算法的真正产生源于20世纪60年代末到70年代初，美国Michigan大学的Holland教授在设计人工适应系统中开创性地使用了一种基于自然演化原理的搜索机制，并于1975年出版了著名的专著“Adaptation in Natural andArtificial Systems”，这些有关遗传算法的基础理论为遗传算法的发展和完善奠定了的基础。
同时，Holland教授的学生De Jong首次将遗传算法应用于函数优化中，设计了遗传算法执行策略和性能评价指标，他挑选的5个专门用于遗传算法数值实验的函数至今仍被频繁使用，而他提出的在线(on-line)和离线(off-line)指标则仍是目前衡量遗传算法优化性能的主要手段。
在Holland教授和他的学生与同事De Jong进行大量有关遗传算法的开创性工作的同时，德国柏林工业大学的Rechenberg和Schwefel等在进行风洞实验时，为了对描述物体形状的参数进行优化以获得更好的实验数据，将变异操作引入计算模型中，获得了意外的优良效果。
遗传算法综述尘本是心摘要：遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度有效的随机搜索算法。
近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注。
本文介绍了遗传算法的基本原理和特点，以及在各个领域的应用情况。
关键词：遗传算法，综述，最优化。
A Review of Genetic AlgorithmsChen BenshixinAbstract:Genetic algorithms are considered as a search used in computing to find exact or a approximate solution for optimization and search problems.This article has a review of the genetic algorithm basic principle and the characteristic and its applications.Keywords:genetic algorithm,review,Optimization0前言在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准最优解。
在计算此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。
因此，研究能在搜索过程中自动获取和积累有关搜索空间的知识并自适应地控制搜索过程从而得到最优解的通用搜索算法一直是令人瞩目的课题。
遗传算是这类特别有效的算法之一，它(GeneticAlgorithm,GA)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机搜索算法。
是由美国Michigan大学的J.Holland教授1975年首先提出，它尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。
如著名的TSP、背包问题、排课问题等1遗传算法基本原理遗传算法是建立在自然选择和群众遗传学机理基础上的，具有广泛适应性的搜索方法。
