| 3 算例   T  [-500,500]
图1 函数f(x)特性示意图
函数f(x)有相当多的极小点,全局极小点是  =-420.97，  =1,2,…,  ，最优值为-837.97；次最优点为  ={(  ,  ,…,  )：  =-420.97,    ,  =302.52}，  =1,2,…,  ，次优值-719.53。变量个数n=2时函数f(x) 特性如图1示。程序编制和运行环境采用Fortran Power Station 4.0，随机数由内部随机函数产生，在奔腾133微机上运行。 采用改进的Powell方法计算100次，初值在区间[-500,500]内随机产生，只有6次（即以概率0.06）搜索到全局最优，计算成功的概率极低。 Holland建立的标准（或简单）遗传算法，其特点是二进制编码、赌轮选择方法、随机配对、一点交叉、群体内允许有相同的个体存在。取种群规模m=30，交叉概率pc=0.95、变异概率pm=0.05，最大进化代数T=1000，每个变量用串长为L=16的二进制子串表示。二进制编码比浮点编码遗传算法计算精度低，对于标准遗传算法以目标函数小于-800为搜索成功，标准遗传算法运行100次。当取最大进化代数为T=200时，40次（以概率0.40）搜索到全局最优，平均计算时间为0.51秒；当取T=500时，51次（以概率0.51）搜索到全局最优，平均计算时间为1.13秒。 采用本文混合法计算，取m=30， pc=0.85、pm=0.2，T=100，进行Powell搜索的概率pPowell取不同值，混合法运行100次，计算结果见如表1。对于这个具有多极值的算例，多次计算表明pPowell=0.3时，混合法能以完全概率搜索到全局最优的准确值，但是此时混合法计算时间约为标准遗传算法取T=500时计算时间的4/5。对应的浮点编码遗传算法，取m=30，pc=0.85、pm=0.2，T=100，运行100次，82次（以概率0.82）搜索到全局最优（如表1中PPowell =0所示），计算时间约为标准遗传算法取T=500时计算时间的1/8，但是搜索到全局最优的概率却远远高于标准遗传算法。 表1 pPowell取不同值时混合法的计算结果 PPowell | 0.0 | 0.02 | 0.05 | 0.1 | 0.2 | 0.3 | 求得最优解的次数 | 82 | 85 | 89 | 94 | 98 | 100 | 求得最优解的概率 | 0.82 | 0.85 | 0.89 | 0.94 | 0.98 | 1.00 | 平均计算时间/ 秒 | 0.14 | 0.20 | 0.31 | 0.47 | 0.68 | 0.87 |
4 结束语 针对不可微函数的全局优化问题，本文提出一种把Powell方法与浮点编码遗传算法相结合的混合遗传算法，该算法兼顾了遗传算法全局优化方面的优势和Powell方法局部搜索能力较强的特点，提高求得全局解的概率。计算结果表明混合法优于遗传算法和Powell法，可以可靠地搜索到具有多个局部极值的函数优化问题的全局解。由于计算中只用到函数值信息，本文混合法不仅适用于不可微函数优化问题，也适合可微函数全局优化问题。 |
