8、快速电磁合成的混合遗传算法

快速电磁合成的混合遗传算法

1. 引言

进化策略为研究人员提供了强大的优化工具，能够为各种现实问题找到最优解。其中，遗传算法（GA）是最受欢迎的代表之一，在电磁领域已得到广泛认可。

GA 等进化算法（EA）具有诸多吸引人的特点，比如在信息有限的情况下也能应用，无需初始猜测，还能产生非直观的解决方案。这些能力得益于结合了随机全局探索和局部开发的双重策略，关键在于两者之间的有效分工。

不同的 EA 基于相应的进化模型，采用不同的方式平衡全局和局部搜索。然而，新的进化模型可能会带来思维局限。例如，遗传策略注重大量多样化个体和较长时间框架，虽旨在找到最优解但速度较慢；而蚁群和粒子群策略则能在有限时间内找到较好的解决方案。

尽管存在形式上的差异，所有基于种群的 EA 都有共同目标，即寻找多个局部极值中的全局极值。它们依赖随机决策机制，通过概率引导优化过程，且更倾向于提升整个种群而非单个个体。不过，这也导致收敛速度慢和后期可能停滞的问题。相比之下，局部搜索技术使用成本函数梯度来指导搜索，虽有缺点但却是学习的唯一途径，因此与 EA 互补，凸显了混合优化算法的重要性和潜力。

2. 遗传算法的全局和局部能力

遗传算法可以类比为一个双手机器，一只手随机选择个体，另一只手通过手动加权有利事件发生的概率来“作弊”，以促进在先前找到的最优解附近进行局部搜索。不同的进化策略具有不同的“作弊”能力，可通过调整算法控制参数来调节。

GA 通常从有限数量的随机个体开始，构成初始种群。此时，任何解被选中的概率等于所有可能解的总数的倒数。但从第二代开始，潜在后代的数量和位置受到前一代种群的限制，因为后代会保留父母的部分属性。优化过程中