摘要:為了提升算法在求解優化問題時的性能，提出了一種改進的實數遺傳算法(ＲCGA)。算法的改進之處在于引入了一種新的交叉算子及替換操作:交叉算子通過增大算子的搜索范圍來提升解的質量與算法收斂速度;替換操作則同時考慮了個體目標函數值與多樣性貢獻率兩個特征，以方波函數的模式對種群進行周期性的局部初始化操作，從而增大種群多樣性。將改進的算法應用于油茶果采摘機的優化設計中，通過一系列的對比實驗驗證了改進算法的性能優于其他先進有效的算法;同時，改進后的算法能夠明顯優化采摘機的工作空間與采摘臂的長度，使整體結果提升了63．49%。可見，改進后的算法是解決采摘機優化的一種有效方法。

　　關鍵詞:油茶果采摘機;實數遺傳算法;交叉算子;替換操作

　　0引言

　　遺傳算法是一種特殊的元啟發式優化算法，它以生物進化理論為基礎，利用統計學方法對一個大而有限的解空間進行智能搜索，是目前最常用、最有效的進化算法，被成功地應用于多個領域［1－6］。遺傳算法的搜索能力主要受兩個因素影響，即種群競爭壓力與多樣性［5］。競爭壓力過小，算法的搜索過程會變得隨機，降低收斂速度;而如果迭代初期種群就失去多樣性，會使算法搜索過程停滯，陷入局部最優區域。由此可知，種群競爭壓力與多樣性成反比關系，增大競爭壓力會加速種群多樣性的喪失，而維持種群多樣性則抵消了競爭壓力的影響［7］。因此，只有當種群同時具有多樣性與競爭壓力時，算法才會有較強的搜索能力。

　　1改進算法簡介

　　1．1目標函數的構造方法

　　為了將有約束優化問題轉化為無約束優化問題，引入罰函數概念［3］，通過懲罰不可行解將約束條件附加至原目標函數中形成一個增廣目標函數，轉換形式為F(x)=f(x)+MC(1)C=∑pi=1＜gi(x)＞2+∑qj=1［hj(x)］2(2)式中f(x)—約束優化問題的原目標函數;M—懲罰系數;C—懲罰項。懲罰系數通常選取一個足夠的大的數，而懲罰項由p個不等式約束gi(x)與q個等式約束hj(x)構成。當gi(x)為負值時，符號‘＜＞’表示操作數的絕對值;當gi(x)為非負數時，則返回零值。

　　1．2選擇算子

　　選擇算子作用于整個種群，選擇最具潛力的個體參與交叉操作，目的在于將有利基因遺傳到下一代。本文選用排序分組選擇，根據目標函數值將種群分為兩組:一組由目標函數值較好的個體構成，另一組由目標函數值較差的個體構成。兩組個體依次配對能夠增大配對個體差異性，避免近親繁殖［7］。

　　2實例分析

　　2．1油茶果采摘機優化模型建立

　　隨著我國油茶果種植面積的不斷擴增，油茶果采摘效率低下制約著其產業的發展，因此優化油茶果采摘機具有重大的研究意義［10］。油茶果采摘機的優化主要包括兩方面:一是采摘臂長度的優化，二是采摘機工作空間的優化。油茶果采摘機的執行機構及油茶果分布空間的詳細信息如文獻所示［11］。采摘機優化過程中涉及的變量包括:主柱高L1，主臂長L2，副臂長L3，主臂的轉角θ2，副主臂的轉角θ3。通過固定限制角的分段作圖法得出采摘機執行機構末端在二維平面內的工作空間圖，如圖5(a)所示。工作空間由4條曲線構成，曲線的方程依次為S1:L23=(x－L2cosθ2max)2+(y－L2sinθ2max－L1)2S2:L23+L22－2L2L3cosθ3max=x2+(y－L1)2S3:L23=(x－L2cosθ2min)2+(y－L2sinθ2min－L1)2S4:L23+L22－2L2L3cosθ3min=x2+(y－L1?2(5)

　　2．2優化計算結果分析

　　根據油茶果的生長范圍對a、b、c、d進行賦值，依次為a=1．5、b=0．3、c=1．9、d=2．8。利用本文改進的算法進行求解，本文改進算法的參數設置如表1所示。

　　3結論

　　為了提升算法搜索性能，提出了一種簡單的IX交叉算子及SSＲ替換操作。IX算子的特點在于通過增加交叉方向，擴大算子的搜索區域來提升解的質量與收斂速度。SSＲ操作的特點則是根據父代目標函數值與多樣性貢獻率兩個因素更新種群，同時對種群進行周期性的初始化操作，以維持種群多樣性。將改進后的算法應用于油茶果采摘機的優化問題上，通過對比實驗可知:改進的算法性能優于其他先進的算法，且改進的算法能夠明顯優化采摘機模型，使采摘機能夠在滿足工作空間的前提下機械臂的長度最小。

　　參考文獻:

　　［1］HoseinianFatemehSadat，AbdollahzadehAliakbar，ＲezaiBahram．Semi－autogenousmillpowerpredictionbyhybridneuralgeneticalgorithm［J］．JournalofCentralSouthUniversity，2018，25(1):151－158．

　　［2］吳剛，邱煜晶，王國仁．基于隱馬爾可夫模型和遺傳算法的地圖匹配算法［J］．東北大學學報，2017，38(4):472－475．

　　［3］陳齊平，舒紅宇，任凱，等．基于改進遺傳算法的微型電動車輪轂電機優化設計［J］．中南大學學報:自然科學版，2012，43(8):130－135．

　　［4］何慶，吳意樂，徐同偉．改進遺傳模擬退火算法在TSP優化中的應用［J］．控制與決策，2018(2):219－225．