改进乘幂适应度函数提升遗传算法性能

在"论文研究-改进的乘幂适应度函数在遗传算法中的应用.pdf"这篇论文中，作者探讨了在遗传算法优化过程中的关键元素——适应度函数的重要性。遗传算法是一种广泛应用的全局优化方法，用于解决复杂函数的最优问题，如冯·诺依曼[1]和德容[2]的工作奠定了基础。适应度函数是遗传算法的灵魂，它衡量个体在搜索过程中的优劣，决定个体被选择、交叉和变异的概率。 传统的适应度函数选择对于遗传算法的性能有着显著影响。如果选择不当，可能导致算法陷入局部最优，即所谓的"欺骗现象"[5]。论文中提到，适应度函数的改进是优化遗传算法性能的关键因素，因为它直接影响算法的收敛速度和找到全局最优解的可能性。文献[6]提出了自适应遗传算法，通过个体的适应度动态调整遗传操作的参数，进一步强调了适应度在算法优化中的核心地位。 作者针对这一问题，基于已有研究成果[7-13]，提出了一个改进的乘幂适应度函数。这个函数通过乘幂尺度变换，旨在平衡种群多样性（避免早熟收敛）和算法收敛性（加快搜索进程）。作者选取了三个典型测试函数，对比了在相同遗传操作和参数设置下，使用常见适应度函数与改进后的乘幂适应度函数的优化效果。 实验结果显示，改进的乘幂适应度函数显著提高了遗传算法的收敛精度、速度和稳定性。这意味着它在优化过程中表现出更强的全局寻优能力，对于提升遗传算法整体性能具有重要意义。该研究成果不仅扩展了适应度函数设计的理论基础，也为实际问题的求解提供了更有效的方法。 论文作者杨水清、杨加明和孙超来自南昌航空大学飞行器工程学院，他们的工作为遗传算法领域的适应度函数设计提供了一个新的视角，并展示了在实际问题中如何通过改进适应度函数来优化遗传算法的实践价值。