受生物分子啟發(fā)的遺傳算法及應(yīng)用研究.pdf

1、現(xiàn)代工業(yè)生產(chǎn)過程變得越來越復(fù)雜，而復(fù)雜系統(tǒng)的建模、優(yōu)化與控制需要高性能的優(yōu)化算法來輔助實(shí)現(xiàn)。遺傳算法作為一種啟發(fā)式隨機(jī)搜索算法，它模擬了自然選擇和生物遺傳進(jìn)化機(jī)制，具有易于并行實(shí)現(xiàn)、魯棒性強(qiáng)和良好的全局搜索性能等優(yōu)點(diǎn)，為這類問題提供了有效的解決途徑。目前，遺傳算法作為進(jìn)化計(jì)算研究的一個(gè)重要分支，引起了眾多學(xué)者的廣泛關(guān)注。
　　本文針對(duì)遺傳算法在求解復(fù)雜優(yōu)化問題時(shí)普遍存在搜索能力不足、容易早熟收斂于局部最優(yōu)點(diǎn)的缺陷進(jìn)行改進(jìn)，充分借鑒

2、生物分子特性，將生物分子編碼和操作方式融入到遺傳算法。同時(shí)引入種群多樣性度量方法，在遺傳算法的搜索過程中，利用動(dòng)態(tài)變化的種群多樣性信息對(duì)遺傳算法的搜索進(jìn)程加以引導(dǎo)，對(duì)基于生物分子特性的遺傳算法進(jìn)行深入研究，主要研究工作概況如下:
　　(1)針對(duì)遺傳算法局部搜索能力較弱和早熟收斂問題，提出了基于種群聚集度變異概率自適應(yīng)的DNA遺傳算法。深入分析和挖掘DNA生物分子機(jī)制，設(shè)計(jì)了新型的優(yōu)選交叉算子和移碼變異算子。同時(shí)，在算法進(jìn)化過程中引

3、入種群聚集度函數(shù)來表征種群中個(gè)體在搜索空間的分布情況，采用和聚集度相關(guān)的變異概率自適應(yīng)策略，當(dāng)種群處于聚集程度高、多樣性缺失階段，通過加大變異概率來有效增強(qiáng)算法跳出局部極值的能力。通過對(duì)典型測(cè)試函數(shù)尋優(yōu)及超臨界水氧化反應(yīng)動(dòng)力學(xué)參數(shù)估計(jì)問題求解來驗(yàn)證該算法的有效性。
　　(2)提出了基于個(gè)體差異度遺傳操作自適應(yīng)策略的RNA遺傳算法。受RNA分子結(jié)構(gòu)和分子特性啟發(fā)，設(shè)計(jì)了互補(bǔ)堿基變異算子和稀有堿基變異算予。通過個(gè)體差異度測(cè)度的引導(dǎo)實(shí)現(xiàn)

4、遺傳操作自適應(yīng)控制策略?；?0維和30維的單模態(tài)及多模態(tài)的基準(zhǔn)測(cè)試函數(shù)尋優(yōu)，對(duì)所提出算法進(jìn)行性能測(cè)試，并通過解決質(zhì)子交換膜燃料電池機(jī)理模型參數(shù)估計(jì)問題測(cè)試算法的實(shí)用性，仿真實(shí)驗(yàn)結(jié)果表明所建立的PEMFC模型具有較高的準(zhǔn)確度和魯棒性。
　　(3)借鑒生物群體間的協(xié)作進(jìn)化機(jī)制，將協(xié)同進(jìn)化的思想引入到遺傳算法中，提出了多策略協(xié)同進(jìn)化RNA遺傳算法(mcRNA-GA)。構(gòu)建兩個(gè)子種群，采用不同的進(jìn)化模式同時(shí)獨(dú)立進(jìn)化，達(dá)到對(duì)算法的局部搜索

5、和全局探索能力均衡調(diào)控的目的。在協(xié)同進(jìn)化過程中采用信息分享機(jī)制交換優(yōu)秀個(gè)體所攜帶的遺傳信息以加快算法收斂，從而有效提高算法的搜索效率。通過4個(gè)典型測(cè)試函數(shù)對(duì)算法性能進(jìn)行研究和對(duì)比，最后采用該算法來解決橋式吊車系統(tǒng)非參數(shù)建模問題，優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)，通過仿真實(shí)驗(yàn)對(duì)該建模的有效性和建模精度進(jìn)行檢驗(yàn)。
　　(4)借鑒對(duì)立學(xué)習(xí)思想，提出了基于對(duì)立學(xué)習(xí)策略的RNA遺傳算法。該算法中引入基于種群個(gè)體空間分布方差的多樣性測(cè)度，當(dāng)種群多樣性