遗传算法的改进算法

双倍体遗传算法

基本思想

双倍体遗传算法采用显性和隐性两个染色体同时进行进化，提供了一种记忆以前有用的基因块的功能。
双倍体遗传算法采用显性遗传。

双倍体遗传延长了有用基因块的寿命，提高了算法的收敛能力，在变异概率低的情况下能保持一定水平的多样性。

双倍体遗传算法的设计

（1）编码/解码：两个染色体（显性、隐性）
（2）复制算子：计算显性染色体的适应度，按照显性染色体 的复制概率将个体复制到下一代群体中。
（3）交叉算子：两个个体的显性染色体交叉、隐性染色体也同时交叉。
（4）变异算子：个体的显性染色体按正常的变异概率变异；隐性染色体按较大的变异概率变异。
（5）双倍体遗传算法显隐性重排算子：个体中适应值较大的染色体设为显性染色体，适应值较小的染色体设为隐性染色体。

双种群遗传算法

基本思想

在遗传算法中使用多种群同时进化，并交换种群之间优秀个体所携带的遗传信息，以打破种群内的平衡态达到更高的平衡态，有利于算法跳出局部最优。
多种群遗传算法：建立两个遗传算法群体，分别独立地运行复制、交叉、变异操作，同时当每一代运行结束以后，选择两个种群中的随机个体及最优个体分别交换。

双种群遗传算法的设计

编码/解码设计
交叉算子、变异算子
杂交算子

设种群A与种群B，当A与B种群都完成了选择、交叉、变异算子后，产生一个随机数num，随机选择A中num个个体与A中最优个体，随机选择B中num个个体与B中最优个体，交换两者，以打破平衡态。

自适应遗传算法

基本思想

Srinvivas M.，Patnaik L. M.等在1994年提出一种自适应遗传算法(adaptive genetic algorithms，AGA)：Pc和Pm能随适应度自动改变。
AGA：当种群各个体适应度趋于一致或者趋于局部最优时，使Pc和Pm增加，以跳出局部最优；而当群体适应度比较分散时，使Pc和Pm减少，以利于优良个体的生存。
同时，对于适应度高于群体平均适应值的个体，选择较低的Pc和Pm，使得该解得以保护进入下一代；对低于平均适应值的个体，选择较高的Pc和Pm值，使该解被淘汰。

自适应遗传算法的步骤

（1） 编码/解码设计。
（2） 初始种群产生：N（N 是偶数）个候选解，组成初始解集。

（6）对于群体中的所有个体，共N个，按照自适应变异公式计算自适应变异概率Pm，随机产生 R(0,1)，如果R<Pm则对该染色体进行交叉操作。
（7）计算由交叉和变异生成新个体的适应度，新个体与父代一起构成新群体。
（8）判断是否达到预定的迭代次数，是则结束；否则转（4）。

适应的交叉概率与变异概率

普通自适应算法中，当个体适应度值越接近最大适应度值时，交叉概率与变异概率就越小；当等于最大适应度值时，交叉概率和变异概率为零。
改进的思想：当前代的最优个体不被破坏，仍然保留（最优保存策略）；但较优个体要对应于更高的交叉概率与变异概率。
欢迎大家加我微信交流讨论（请备注csdn上添加）