參數(shù)參與進化的自適應遺傳算法研究.pdf_第1頁
已閱讀1頁,還剩63頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、人類越來越擅長學習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科領域。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,是多學科結合與滲透的產物。標準遺傳算法(Standard Genetic Algorithms,SGA)的應用最為簡單,也是其他高級遺傳算法的基礎。
  自適應遺傳算法(Adaptive Genet

2、ic Algorithms,AGA)是對標準遺傳算法的一種改進,其收斂速度的提高是較為明顯的,在遺傳算法的各個應用領域中有優(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,其應用領域也進一步拓展,對自適應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遺傳算法存在的問題,結合應用領域對遺傳算法性能提出的新要求,提出了參數(shù)參與進

3、化的自適應調整策略。
  本文首先介紹了遺傳算法的生物學基礎、發(fā)展歷程,說明了研究的背景、目的和預期結果;而后介紹了遺傳算法和遺傳算法的數(shù)學理論,以及自適應遺傳算法和小生境遺傳算法,分析了現(xiàn)有的一些改進算法存在的問題。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,在進化的過程中總有新的參數(shù)組合產生。新策略在選取最優(yōu)參數(shù)時考慮種群多

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論