參數(shù)參與進(jìn)化的自適應(yīng)遺傳算法研究.pdf

1、人類越來越擅長學(xué)習(xí)與模擬自然界的生命現(xiàn)象和自然規(guī)律，并將成功獲取的知識演變滲透到各學(xué)科領(lǐng)域。遺傳算法(Genetic Algorithms，GA)就是人類借鑒生物的自然選擇和自然遺傳機制演變出來的一種高效、并行、全局搜索的隨機搜索算法，是多學(xué)科結(jié)合與滲透的產(chǎn)物。標(biāo)準(zhǔn)遺傳算法(Standard Genetic Algorithms，SGA)的應(yīng)用最為簡單，也是其他高級遺傳算法的基礎(chǔ)。
　　自適應(yīng)遺傳算法(Adaptive Genet

2、ic Algorithms，AGA)是對標(biāo)準(zhǔn)遺傳算法的一種改進(jìn)，其收斂速度的提高是較為明顯的，在遺傳算法的各個應(yīng)用領(lǐng)域中有優(yōu)異的表現(xiàn)。但是，部分實驗數(shù)據(jù)顯示出自適應(yīng)遺傳算法還存在一些問題，主要是種群易陷入“早熟”現(xiàn)象和局部搜索能力較弱。近些年來隨著遺傳算法的不斷發(fā)展，其應(yīng)用領(lǐng)域也進(jìn)一步拓展，對自適應(yīng)遺傳算法的性能提出了更高的要求。本文的主要研究工作就是針對自適應(yīng)遺傳算法存在的問題，結(jié)合應(yīng)用領(lǐng)域?qū)z傳算法性能提出的新要求，提出了參數(shù)參與進(jìn)

3、化的自適應(yīng)調(diào)整策略。
　　本文首先介紹了遺傳算法的生物學(xué)基礎(chǔ)、發(fā)展歷程，說明了研究的背景、目的和預(yù)期結(jié)果；而后介紹了遺傳算法和遺傳算法的數(shù)學(xué)理論，以及自適應(yīng)遺傳算法和小生境遺傳算法，分析了現(xiàn)有的一些改進(jìn)算法存在的問題。本文中的新策略是利用遺傳算法自身的尋優(yōu)能力實現(xiàn)遺傳算法自身參數(shù)的動態(tài)優(yōu)化。新策略把參數(shù)信息融合于個體之中，并使之參與交叉和變異運算的全部過程，因此，在進(jìn)化的過程中總有新的參數(shù)組合產(chǎn)生。新策略在選取最優(yōu)參數(shù)時考慮種群多