[论文解读] Novel Methods for Enhancing the Performance of Genetic Algorithms

Esra’a Alkafaween|arXiv (Cornell University)|Jan 9, 2018

Metaheuristic Optimization Algorithms Research参考文献 90被引用 8

一句话总结

本硕士论文提出了一种新型的交叉与变异算子，如基于最差基因的交叉（COWGC）、碰撞交叉以及基于多个最差基因的变异策略，同时结合四种自适应选择策略（SAC、SAM、SBC、SBM），以提升遗传算法（GA）在TSP问题上的性能。实验结果表明，这些方法可有效减少早熟收敛，并在多种算子组合下通过自适应选择策略实现优于标准算子的性能表现。

ABSTRACT

In this thesis we propose new methods for crossover operator namely: cut on worst gene (COWGC), cut on worst L+R gene (COWLRGC) and Collision Crossovers. And also we propose several types of mutation operator such as: worst gene with random gene mutation (WGWRGM) , worst LR gene with random gene mutation (WLRGWRGM), worst gene with worst gene mutation (WGWWGM), worst gene with nearest neighbour mutation (WGWNNM), worst gene with the worst around the nearest neighbour mutation (WGWWNNM), worst gene inserted beside nearest neighbour mutation (WGIBNNM), random gene inserted beside nearest neighbour mutation (RGIBNNM), Swap worst gene locally mutation (SWGLM), Insert best random gene before worst gene mutation (IBRGBWGM) and Insert best random gene before random gene mutation (IBRGBRGM). In addition to proposing four selection strategies, namely: select any crossover (SAC), select any mutation (SAM), select best crossover (SBC) and select best mutation (SBM). The first two are based on selection of the best crossover and mutation operator respectively, and the other two strategies randomly select any operator. So we investigate the use of more than one crossover/mutation operator (based on the proposed strategies) to enhance the performance of genetic algorithms. Our experiments, conducted on several Travelling Salesman Problems (TSP), show the superiority of some of the proposed methods in crossover and mutation over some of the well-known crossover and mutation operators described in the literature. In addition, using any of the four strategies (SAC, SAM, SBC and SBM), found to be better than using one crossover/mutation operator in general, because those allow the GA to avoid local optima, or the so-called premature convergence. Keywords: GAs, Collision crossover, Multi crossovers, Multi mutations, TSP.

研究动机与目标

• 通过引入先进的自适应算子选择与混合技术，解决遗传算法（GAs）中的早熟收敛问题。
• 通过新型交叉与变异算子，提升对称TSP问题的解质量与收敛速度。
• 研究同时使用多种交叉与变异算子而非依赖单一固定算子的影响。
• 开发并评估四种自适应选择策略（SAC、SAM、SBC、SBM），实现在遗传算法执行过程中动态选择最优算子。
• 通过在基准TSP实例上的实证评估，证明所提方法在性能上优于经典GA算子。

提出的方法

• 提出基于最差基因的交叉（COWGC）与基于最差L+R基因的交叉（COWLRGC），优先在父代解中选择低适应度基因进行重组。
• 引入碰撞交叉（Collision Crossovers），一种新颖的方法，通过模拟基因碰撞生成具有更高多样性的后代，增强探索能力。
• 设计基于最差基因选择的多种变异算子，包括WGWRGM、WGWWGM、WGWNNM，以及基于插入的变体如WGIBNNM与RGIBNNM。
• 开发四种自适应选择策略：SAC（选择任意交叉）、SAM（选择任意变异）、SBC（选择最佳交叉）、SBM（选择最佳变异），实现在进化过程中动态选择算子。
• 采用多算子框架，每代评估多个交叉与变异算子，根据策略选择最佳或随机算子进行应用。
• 使用基于适应度的评估机制指导算子选择，促进种群多样性并避免陷入局部最优。

实验结果

研究问题

• RQ1 与标准算子相比，COWGC与碰撞交叉等新型交叉算子是否能提升TSP问题的收敛性与解的质量？
• RQ2 基于最差基因的变异策略是否能增强探索能力并减少遗传算法中的早熟收敛？
• RQ3 通过SAC与SBM等策略动态选择多种交叉与变异算子，是否能带来优于使用单一固定算子的性能表现？
• RQ4 在TSP基准测试中，所提出的自适应选择策略（SAC、SAM、SBC、SBM）在解质量与收敛速度方面如何比较？
• RQ5 在组合优化问题中，通过混合多种交叉与变异技术是否能降低遗传算法早熟收敛的风险？

主要发现

• COWGC与碰撞交叉算子在TSP实例中表现出优越性能，其平均解质量优于标准的顺序交叉与循环交叉算子。
• 如WGWWGM与WGIBNNM等变异策略显著提升了种群多样性，并有效减少了向局部最优收敛的现象，尤其在后期迭代中表现突出。
• 采用SBC（选择最佳交叉）与SBM（选择最佳变异）策略时，收敛速度更快且解的质量更高，优于固定算子基线方法。
• SAC与SAM策略通过在多个算子中随机选择，有效维持了种群多样性并避免了停滞，性能优于单算子GA。
• 将多种交叉与变异算子结合并配合自适应选择策略（尤其是SBC与SBM），显著降低了所有测试TSP实例中早熟收敛的可能性。
• 总体而言，所提出的多算子框架结合自适应选择策略，在基准TSP问题上实现了优于经典GA配置的平均值与最优解值。