基于改進的遺傳算法軟硬件劃分方法研究

l 遺傳算法基本思想
美國Michigan大學J．Holland教授于1975年提出的遺傳算法，遺傳算法是以達爾文的自然選擇和優(yōu)勝劣汰的生物進化理論為基礎的。和傳統(tǒng)的搜索算法不同，遺傳算法從一組隨機產生的成為種群(Population)的初始解開始搜索。種群中的每一個體都是問題的一個解，稱為染色體，這些染色體在后續(xù)迭代中不斷進化，稱為遺傳。在新一代形成中，根據(jù)適應值的大小選擇部分后代，淘汰部分后代。經(jīng)過若干代之后，算法收斂于最好的染色體，它可能是問題的最優(yōu)解或近似最優(yōu)解。圖l是遺傳算法基本的流程示意圖。

遺傳算法有三類基本的操作：選擇(Selection)、交叉(Crossover)、和變異(Mutation)。選擇的目的是為了從當前群體中選出優(yōu)良的個體，是它們有機會作為父代為下一代繁殖子孫，選擇的原則是給予適應度強的個體較大的機會。交又是最主要的遺傳算法操作，它同時對兩個染色體進行操作，組合二者的特性產生新的后代，遺傳算法的性能很大程度上取決于采用的交叉運算的性能。變異發(fā)生的概率最低，變異操作是在染色體上自發(fā)地產生隨機變化，在遺傳算法中變異可以提供初始種群中不包括的基因，為種群提供新的個體。
遺傳算法的主要優(yōu)點是：1)具有領悟無關的群體性全局搜索能力，可避免陷入局部最優(yōu)；2)搜索使用評價函數(shù)啟發(fā)過程簡單；3)使用概率機制進行迭代，具有隨機性；4)可擴展性強，易于介入已有的模型中去，且易于與其他優(yōu)化技術結合。

2 小生境技術和精英保持策略
2．1 小生境技術
早熟收斂是遺傳算法最嚴重的一個問題，保持群體的多樣性可以有效地防止群體的早熟收斂，而且種群多樣性也是遺傳算法能夠搜索全局最優(yōu)解的基本條件。其中小生境(niching methods)技術是遺傳算法維持種群多樣性而廣為采用的方法。在生物學中，小生境是指特定環(huán)境下的一種生存環(huán)境，相同的生物生活在同一個小生境中。借鑒此概念，遺傳算法將每一代個體劃分成若干類，每個類中選出若干適應度較高的個體作為一個類的優(yōu)秀代表組成一個種群，再在種群中以及不同種群之間通過雜交、變異產生新一代個體群，同時采用預選擇機制或者排擠機制或共享機制完成選擇操作。這樣就可以更好的保持群體的多樣性，使其具有較高的全局尋優(yōu)能力和收斂速度。遺傳算法中模擬小生境的方法主要有以下幾種：1)基于預選擇的小生境實現(xiàn)方法；2)基于排擠的小生境實現(xiàn)方法；3)基于共享函數(shù)的小生境實現(xiàn)方法。
2．2 精英保持策略
在遺傳算法的運行過程中，通過對個體進行交叉、變異等遺傳操作而不斷地產生出新的個體。雖然隨著群體的進化過程會產生出越來越多的優(yōu)良個體，但是猶豫遺傳算法的隨機性，可能會破壞當前群體中的最好的個體。這將對遺傳算法的有效性和收斂性都有很大影響。為了使適應度最好的個體能夠保存到下一代群體中，本文使用精英保持策略(Elitlsm Preserving)來進行優(yōu)勝劣汰，將當前群體中適應度最高的個體不參與交叉和變異運算，而是用它來替代當前代中適應度最低的個體。假設P，代表第i代的進化群體，則精英保持策略的操作示意如圖2：

如圖2所示，精英保持策略的基本思想是對Pi進行非劣排序，在群體中挑出最優(yōu)的個體保留到下一代Pi+1。這種保留通過在遺傳操作外部維持一個輔助群體P*來實現(xiàn)。P*中個體的編碼決策向量是所有解向量中的非被支配向量，即當前代的Pareto最優(yōu)解。由于每代進化后的非支配向量大小是個不定量，外部群體P*的大小具有不確定性。為了保持外部群體大小不變，在實際操作過程中采用截斷操作的辦法防止邊界解的遺失。其具體做法是：將Pi和P*i中所有的個體復制到P*i+1。如果P*i+1的群體大小超過了N*，利用截斷操作減少|P*i+1|；如果P*i+1的群體大小少于N*，則用被支配個體填充P*i+1。