学位论文 > 优秀研究生学位论文题录展示

参数参与进化的自适应遗传算法研究

作　者: 李坤
导　师: 杨小芹
学　校: 南昌航空大学
专　业: 信号与信息处理
关键词: 遗传算法自适应种群多样性多峰值函数
分类号: TP18
类　型: 硕士论文
年　份: 2010年
下　载: 326次
引　用: 1次
阅　读: 论文下载

内容摘要

人类越来越擅长学习与模拟自然界的生命现象和自然规律,并将成功获取的知识演变渗透到各学科领域。遗传算法(Genetic Algorithms, GA)就是人类借鉴生物的自然选择和自然遗传机制演变出来的一种高效、并行、全局搜索的随机搜索算法,是多学科结合与渗透的产物。标准遗传算法(Standard Genetic Algorithms, SGA)的应用最为简单,也是其他高级遗传算法的基础。自适应遗传算法(Adaptive Genetic Algorithms, AGA)是对标准遗传算法的一种改进,其收敛速度的提高是较为明显的,在遗传算法的各个应用领域中有优异的表现。但是,部分实验数据显示出自适应遗传算法还存在一些问题,主要是种群易陷入“早熟”现象和局部搜索能力较弱。近些年来随着遗传算法的不断发展,其应用领域也进一步拓展,对自适应遗传算法的性能提出了更高的要求。本文的主要研究工作就是针对自适应遗传算法存在的问题,结合应用领域对遗传算法性能提出的新要求,提出了参数参与进化的自适应调整策略。本文首先介绍了遗传算法的生物学基础、发展历程,说明了研究的背景、目的和预期结果;而后介绍了遗传算法和遗传算法的数学理论,以及自适应遗传算法和小生境遗传算法,分析了现有的一些改进算法存在的问题。本文中的新策略是利用遗传算法自身的寻优能力实现遗传算法自身参数的动态优化。新策略把参数信息融合于个体之中,并使之参与交叉和变异运算的全部过程,因此,在进化的过程中总有新的参数组合产生。新策略在选取最优参数时考虑种群多样性、算法收敛速度和个体适应度等多方面的因素,并通过种群熵的概念度量种群多样性。本文在实现种群熵的定义时,应用了一种新的分类规则,并且在这种分类规则的基础上改进交叉算子和变异算子。最后,本文通过大量的实验数据证明,新算法不仅能加快遗传收敛速度,而且能增强遗传算法的全局收敛性能,从而得到满意的全局最优解。

全文目录

摘要  4-5
Abstract  5-9
第一章绪论  9-17
  1.1 遗传算法的发展史与研究现状  9-14
    1.1.1 遗传算法的发展史  9-10
    1.1.2 当前研究现状及分析  10-14
  1.2 本文研究的目的及意义  14-15
  1.3 本文的研究内容及安排  15-17
    1.3.1 本文的研究内容  15
    1.3.2 本文的组织结构  15-17
第二章遗传算法及改进综述  17-29
  2.1 标准遗传算法  17-20
    2.1.1 遗传算法的基本概念  17-18
    2.1.2 遗传算法的运行过程  18-19
    2.1.3 标准遗传算法的流程与实现  19-20
  2.2 遗传算法的理论基础  20-24
    2.2.1 模式定理  21-22
    2.2.2 积木块假设与遗传算法的欺骗问题  22
    2.2.3 遗传算法的数学描述与收敛性分析  22-24
  2.3 遗传算法的改进  24-27
    2.3.1 基于小生境技术的遗传算法  25
    2.3.2 自适应遗传算法  25-27
  2.4 本章小结  27-29
第三章交叉算子参与进化的自适应遗传算法  29-39
  3.1 交叉算子参与进化的自适应遗传算法  29-33
    3.1.1 选择策略的改进  29-30
    3.1.2 交叉运算的改进  30-32
    3.1.3 算法流程  32-33
  3.2 实验验证  33-38
    3.2.1 仿真算例  33-36
    3.2.2 实验结果及分析  36-38
  3.3 本章小结  38-39
第四章参数参与进化的自适应遗传算法  39-53
  4.1 参数参与进化存在的问题  39-42
    4.1.1 “早熟”现象与原因分析  39-40
    4.1.2 种群多样性的评价标准  40-41
    4.1.3 遗传参数优劣的自适应调整准则  41-42
  4.2 参数参与进化的自适应算法  42-46
    4.2.1 参数参与进化的选择策略  43-45
    4.2.2 交叉策略和变异策略  45-46
    4.2.3 算法步骤与流程图  46
  4.3 实验验证  46-52
    4.3.1 仿真算例  47
    4.3.2 实验结果及分析  47-52
  4.4 本章小结  52-53
第五章总结与展望  53-55
  5.1 全文总结  53-54
  5.2 存在问题与工作展望  54-55
参考文献  55-61
发表论文和参加科研情况说明  61-63
致谢  63-64

参数参与进化的自适应遗传算法研究

内容摘要

全文目录

相似论文