改进遗传算法

利用上篇文章上的 遗传算法，对控制尺寸参数进行优化时一些问题：

1. 优化10代左右就很快收敛
   

2. 使用优化后的参数计算的适应度函数并不是最大的

初步考虑是种群早熟引起的，因此从参考了下面这文献
参考文献：[1]于光帅,于宪伟.一种改进的自适应遗传算法[J].数学的实践与认识,2015,45(19):259-264.

IAGA自适应遗传算法

IAGA算法是对（AGA）自适应遗传算法的改进，其中$p_c$和$p_m$表达式如下：
$$\begin{gathered} p_c=\{\begin{array}{ll}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f-f_{avg})}{f_{max}-f_{avg}}& f\ge f_{avg}\\ p_{c1}& f<f_{avg}\end{array} \\ {p}_m=\{\begin{array}{ll}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{avg}-f^{\prime })}{f_{max}-f_{avg}}& f\ge f_{avg}\\ p_{m1}& f<f_{avg}\end{array} \end{gathered}$$
式中，$f_{max}$代表群体中的最大适应度值，$f_{avg}$代表群体的平均适应度值,$f$代表交叉两个个体适应度值较大的较大值，$f^{\prime }$代表待变异个体的适应度值。$p_{c1}=0.9,p_{c2}=0.6,p_{m1}=0.1,p_{m2}=0.01$。
IAGA算法使$p_c$和$p_m$随着每代个体适应度值的变化而自行调整，既保护了群体中优质的个体，又令具有最大适应度的个体的$p_c$和$p_m$不为0，这会使每代的最优个体不会处于一种不发生变化的状态，但根据公式，当种群中优良个体数目过大时，整体会陷入停滞不前，不易跳出局部最优解，造成未成熟收敛。以个体为单位，缺乏整体精神，当出现未成熟收敛的趋势时无法处理，因此文献作者提出了一种新的自适应遗传算法。

改进的IAGA算法

$$\begin{gathered} p_c=\{\begin{array}{ll}0.8\frac{f_{max}-f_{avg}}{f_{avg}-f_{min}+\lambda }& 当\frac{f_{max}-f_{avg}}{f_{avg}-f_{min}+\lambda }<1且M_1>M_2时\\ p_{c1}-\frac{(p_{c1}-p_{c2})(f-f_{min})}{f_{max}-f_{min}}& 其它\end{array} \\ {p}_m=\{\begin{array}{ll}0.1\frac{f_{max}-f_{avg}}{f_{avg}-f_{min}+\lambda }& 当\frac{f_{max}-f_{avg}}{f_{avg}-f_{min}+\lambda }<1且M_1>M_2时\\ p_{m1}-\frac{(p_{m1}-p_{m2})(f^{\prime }-f_{min})}{f_{max}-f_{min}}& 其它\end{array} \end{gathered}$$
式中，$f_{min}$代表群体中的最小适应度值；$M_1$代表每代个体中适应度值大于平均适应度值的个体数目；$M_2$代表每代个体中适应度值小于平均适应度值的个体数目；$\lambda$为一无穷小正数，主要为了防止分母等于0；其余同上。