文化基因算法（Memetic Algorithm，MA）

介绍

文化基因算法（Memetic Algorithm，简称MA），由Mpscato在1989年提出的。文化基因算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体，它的本质可以理解为：Memetic = GA + Local Search，即memetic算法实质上为遗传算法加上一个局部搜索算子。局部搜索算子可以根据不同的策略进行设计，比如常用的爬山机制、模拟退火、贪婪机制、禁忌搜索等。

算法框架

1.初始种群的产生

初始种群一般是随机产生的,也可以利用优化问题的先验知识人为加入一些优秀个体,例如,若已知最优个体在某区域的概率较大,可以在该区域内选取较多的个体加入初始种群。初始种群的选择应确保种群的多样性。一般地,文化基因算法将对初始种群的每一个个体进行局部搜索,将每个个体邻域内的最优个体替换该个体,形成新的初始种群。

2.进化操作

进化操作可以采用遗传算法中的交叉、变异算子,也可以只进行交叉,或只进行变异。有些研究人员还针对具体的优化问题,或结合所使用的局部搜索策略,研究了新的进化算子。不管采用何种进化算子,应确保子代能够遗传父代的主要特征,同时又能探索到未知的区域。

3.局部搜索

局部搜索的过程也就是推举局部区域优秀个体的过程。局部搜索的关键问题在于:
a）邻域的确定:对于连续系统,可以以当前个体为中心,选取距离为ε的欧式空间,对于离散系统,可以选取球形、立方体等空间结构作为个体的邻域空间。邻域空间取得越大,整体算法的优化效率就越高,但同时也使算法的计算时间延长。
b）局部搜索策略:可选择的方法很多,可以针对函数优化问题或组合优化问题选用不同的适用策略,同时也应考虑算法效率问题。文献[7]针对一组标准测试函数研究了模拟退火、禁忌搜索和导引式搜索（Guided local search,GLS）三种局部搜索策略对算法性能的影响,认为采用导引式局部搜索可以使算法更易收敛。
c）局部搜索在算法流程中的位置:在何时执行局部搜索操作也是算法设计过程中需要确定的一项内容。有些算法让每个个体在进行交叉、变异后再逐个进行局部搜索（如图1所示的例子）,有些算法则将局部搜索分别安排在交叉和变异操作之后,即每一代的进化过程进行两次局部优化[8]。

4.新种群的产生

一般经过进化操作和局部搜索后,种群数目会大于初始种群的数目,为了保证种群的多样性,可以采用轮盘赌选择、截断选择、锦标赛选择等方法选出相对较优的个体形成新的种群。

5.终止策略

同其他启发式优化算法一样,进化终止条件可以定为:达到一定的迭代步数,或最优结果达到要求的精度。