參數(shù)參與進化的自適應遺傳算法研究.pdf

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