基于聚類技術(shù)的多目標(biāo)細(xì)胞遺傳算法.pdf

1、自然界的規(guī)律,是指引人類科學(xué)進(jìn)步的燈塔,眾多的科學(xué)研究都是由普遍自然規(guī)律啟發(fā)靈感而來。適者生存的自然生物遺傳進(jìn)化機(jī)制,使人類從中獲得了靈感,進(jìn)而一些學(xué)者提出了遺傳算法。算法是通過遺傳操作不斷進(jìn)行迭代計算,逐步逼近問題最優(yōu)解的,遺傳算法不同于其它的搜索和優(yōu)化算法的優(yōu)點為,具有自適應(yīng)的智能性,隱含的并行性等特點,算法簡單易實現(xiàn),且能夠以有限的代價,為解決搜索和優(yōu)化等常用求解。隨著社會的進(jìn)步發(fā)展,我們面臨著越來越多的多目標(biāo)優(yōu)化問題,而如何能高

2、效簡單的解決多目標(biāo)優(yōu)化問題成為人們所關(guān)注的熱點。
　　本文對現(xiàn)階段的細(xì)胞遺傳算法以及多目標(biāo)算法作了比較全面的闡述和總結(jié)。在文章中,作者為了更好的解決多目標(biāo)優(yōu)化問題,綜合了已有的算法理論和基礎(chǔ),以細(xì)胞遺傳算法作為基準(zhǔn),在迭代過程中,加入了聚類分類和局部提高,優(yōu)化算法,提出了一種基于K-means聚類學(xué)習(xí)機(jī)制的多目標(biāo)細(xì)胞遺傳算法,運用K-means算法根據(jù)每代個體的相似性進(jìn)行分類,然后運用局部提高策略對已聚類個體進(jìn)行提高,最終達(dá)到優(yōu)化

3、整個細(xì)胞遺傳算法在多目標(biāo)問題中的結(jié)果。
　　最后對我們所引用的K-means算法及局部提高部分進(jìn)行討論,通過實驗分析聚類的分簇數(shù)目和運行代數(shù)對新算法的影響,進(jìn)而確定參數(shù)。再與三種經(jīng)典算法的結(jié)果作對比,使用世代距離和展布兩項性能評價指標(biāo),明顯的可以得出我們提出的新型算法更優(yōu)的結(jié)論,另外,具體的畫出了幾個多目標(biāo)問題實驗所得的四種方法的Pareto前沿值,證明了我們所引入的K-means算法及局部提高策略的新型多目標(biāo)細(xì)胞遺傳算法在求解多