分布式遺傳算法性能優(yōu)化及其應用.pdf

1、分布式遺傳算法 (Distributed Genetic Algorithms，DGAs)不但繼承了傳統遺傳算法的優(yōu)點，更具備了分布并行的特色。遺傳進化過程中各臺計算機雖然相互獨立，但又可通過網絡交換遺傳信息，相互影響，增加彼此個體基因的多樣性，從而可以有效避免傳統遺傳算法的“早熟(prematuration)”問題。 實際上，隨著硬件技術的發(fā)展和個人計算機PC價格的不斷下跌，目前許多企業(yè)、學術研究機構以及個人利用高性價比的個人

2、PC來構建它們自己的分布式系統已成為可能，因此基于此系統的分布式遺傳算法得到了廣泛的應用。 那么如何提高分布式遺傳算法的性能，就成為了一個值得深入探討的問題。因此，本文選擇以分析影響算法性能的控制參數作為切入點，來研究如何提升分布式遺傳算法的性能，使其更加有效地應用于NP難問題的求解。 本文首先研究了影響分布式遺傳算法運算性能的參數：種群規(guī)模和遷移相關參數，接著分析了目前的研究現狀及存在的問題，然后依據參數動、靜態(tài)特征再

3、進行分類研究，并分別提出了相應的優(yōu)化策略。 一方面，為了避免種群規(guī)模的固定不變對算法性能負面影響，本文提出了基于模糊選擇的種群規(guī)模動態(tài)調整策略，此策略著重解決如何在進化過程中動態(tài)地為種群選取適當的進化規(guī)模。具體地，依據子種群當前的進化效果來選擇進入基因池的個體的數目，這樣有利于優(yōu)勢基因被有效繼承和擴散，不但增強了算法的搜索能力，還提高了算法的搜索效率。 另一方面，為了避免盲目的參數設置導致算法性能不可預見的起伏，本文提出

4、了基于數據挖掘技術(Data Mining)的參數優(yōu)化方法，此方法有助于解決參數設置對算法性能的影響難以預測的問題。具體地，本文首先針對三個經典的優(yōu)化問題進行了參數組合實驗，然后利用數據挖掘技術尋找參數組合與算法最終解之間的一些必然聯系或規(guī)則，進而建立了參數設置對算法性能影響的預測模型，為參數合理設置提供指導和依據，以求達到優(yōu)化算法性能的目的。 最后在基于 PVM(Parallel Virtual Machine)的仿真平臺上所