对数自适应排挤遗传算法在多峰函数优化中的应用

"这篇论文提出了一种用于多峰值函数优化的对数自适应排挤遗传算法，旨在解决传统排挤遗传算法在有限遗传代数下求解效率低、精度不足的问题。通过结合小生境排挤遗传和爬山算子，并采用对数自适应策略调整爬山算子的距离值，该算法能在保持种群多样性的前提下，提高求解速度和精度。实验证明，该算法在有限的遗传代数下能有效地找到多峰函数的所有最优解，适用于多峰函数优化问题。" 本文主要探讨了多峰函数优化问题，这是优化领域的一个重要挑战，因为这类函数通常具有多个局部最优解，使得传统的单目标优化算法难以找到全局最优解。排挤遗传算法（Crowding Genetic Algorithm）作为一种能够稳定获取多峰函数多个最优解的方法，其缺点在于求解效率不高，需要大量迭代才能达到满意精度。 为了解决这一问题，作者提出了一种对数自适应排挤遗传算法。该算法的核心创新在于引入了对数自适应策略，通过根据遗传代数动态调整爬山算子（Hill Climbing Operator）的距离值。爬山算子是一种简单但有效的局部搜索方法，它从当前解出发，通过比较相邻解来改进解的质量。在遗传过程中，结合小生境排挤机制，可以维持种群的多样性，防止早熟收敛，同时通过对数自适应计算距离，能够在有限的迭代次数内更有效地探索解空间。 实验部分，作者使用了一维和二维的多峰函数进行测试，通过与其他算法的比较分析，证明了所提算法的优越性。它能在保持高精度的同时，显著提升收敛速度，从而在有限的遗传代数下稳定地找出所有最优解。这一成果对于解决多峰优化问题提供了新的思路，具有重要的理论价值和实际应用潜力。 关键词涉及排挤遗传算法、多峰函数优化、爬山算子和对数自适应，表明这篇论文集中于优化方法的改进，特别是针对复杂多目标优化场景的算法设计。文章分类号TBP01.6，文献标志码A，表明这是一篇工程技术领域的学术论文，发表在《计算机应用》杂志2014年第34卷第6期上，具有较高的学术价值。