模糊控制下的自适应交叉与变异概率优化算法

本文主要探讨了一种创新的自适应算法，用于调节遗传算法中的交叉和变异概率。该算法的核心是模糊控制策略，它以遗传算法相邻两代群体之间的平均适应度函数和标准差差异作为输入信号。这种选择是基于一个假设，即适应度的不一致性可以反映种群的多样性，从而影响遗传操作的有效性。 算法的关键部分包括一个自适应归一化算子，它根据输入的变化动态调整交叉和变异概率的变化量。这种方法确保了算法能够根据当前种群的状态进行实时优化，提高搜索的灵活性。此外，作者引入了一组启发式知识驱动的模糊规则，这些规则基于对遗传搜索过程的深入理解，指导交叉和变异概率的精确调整。 通过在三种不同的测试函数上进行数值仿真，研究结果表明，与已有的两种自适应模糊控制算法相比，这个新的调节算法显著提高了遗传算法的性能。它不仅加快了搜索速度，缩短了达到最优解的时间，还提升了搜索的质量，意味着算法能更有效地探索解空间，找到更优解。 本文的贡献在于提出了一种结合模糊控制理论和遗传算法特性的自适应策略，这将有助于改进遗传算法在优化问题上的表现，特别是在处理复杂问题时，其潜在的应用前景广阔。对于寻求提高计算效率和优化结果的科研人员和工程师来说，这一研究成果提供了有价值的方法参考。