遗传算法教案

中遗传到下一代群体中，即相似个体较少的个体能够有更多的机会被遗传到下一代群体中．这样也就增加了群体的多样性，相应地也会增加解的多样性。

下面描述一种遗传算法中的选择操作方法，它综合运用联赛选择和共享函数的思想来选择当前群体中的优良个体遗传到下一代群体中。

算法TournamentSharingSelection

①从群体中随机选取k个个体组成个体比较集合C，其中k是预先指定的一个表示比较集合规模的常数。

⑦从群体中随机选择2个个体组成个体联赛集合T。

③分别比较个体联赛集合T中的2个个体与个体比较集合C中各个个体之间的优越关系，根据这个比较结果，按下述方法从个体联赛集合T中选择出一个个体遗传到下一代群体中。 a. 如果集合T中的一个个体(记为X)比集合C中的所有个体都优越，而集合T中的另一个

个体都不比集合C中的所有个体优越，则将个体X遗传到下一代群体中； b. 如果由上面的一种情况未能选择出一个个体，则利用共享函数的概念从集合T中选择出

一个小生境数较小的个体遗传到下一代群体中。

使用这个选择操作方法的遗传算法可用于求解多目标优化问题的Pareto最优解。该方法的优点是它能够得到多种不同的Pareto最优解，但另一方面，由于每次进行选择操作时都需要进行大量的个体之间优越关系的评价和比较运算，所以使得算法的搜索效率较低。

5．混合法

前面所介绍的几种求解多目标优化问题的遗传算法各有各的优点，也各有各的缺点。例如，并列选择法易于生成单个目标函数的极端最优解，而较难生成一种多个目标在某种程度上都比较满意的折衷解；共享函数法虽然易于生成分布较广的Pareto最优解集合，但其搜索效率却比较低。于是会很自然地意识到，如果混合使用上述几种求解多目标优化问题的方法，将有可能尽量地克服各自的缺点，而充分地发挥各自的优点。

下面介绍一种使用遗传算法求解多目标优化问题的混合方法。该方法的主要思想是：选择算子的主体使用并列选择法，然后通过引入保留最佳个体和共享函数的思想来弥补仅仅只使用并列选择法的不足之处。算法的主要过程如下：

算法Hybrid Selection ①并列选择过程：

按所求多目标优化问题的子目标函致的个数，将整个群体均等地划分为一些子群体，各个子目标函数在相应的于群体中产生其下一代子群体。

②保留Pareto最优个体过程：

对于各个子群体中的Pareto最优个体，不让其参与个体的交叉运算和变异运算，而是将这个或这些Pareto最优个体直接保留到下一代于群体中。

③共享函数处理过程：