模式交流多群体遗传算法及其在神经网络进化建模中的应用

《模式交流多群体遗传算法及其在神经网络进化建模中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、博士学位论文摘要针对遗传算法的早熟收敛与神经网络进化建模问题，论文对于多模态优化问题动态特性、基于模式交流算子的模式交流多群体遗传算法(scMPGA)框架、基于SCMPGA框架的ANN进化建模算法、电力负荷预测系统中自动建模等几方面进行了深入的研究。论文的主要创新点与研究成果如下：在总结目前遗传算法研究成果基础上，研究了多模态优化问题的进化过程动态性质。针对遗传算法的多模态优化问题，定量地给出了多个小生境间个体竞争特性，定性地分析了多模态优化问题的早熟收敛现象产生机理，指出了多模态问题的小生境欺骗闯题是导致其早熟收敛的根本原因。针对一般遗传算法在化解多模态优化问题早熟收敛现象时的缺

2、陷，借鉴现代生物进化理论和人类文明与科技进步的有效机制，论文提出了模式交流多群体遗传算法(SCMPGA)思想与框架。该方法为遗传算法引入了基于模式的基因记忆、学习与收敛方向选择能力，并从理论上分析了其全局收敛性与计算效率，开拓了遗传算法化解早熟收敛现象的新研究方向。神经网络的进化建模是典型的多模态优化问题，模型有效性主要是基于其泛化能力评判。基于SCMPGA的框架，结合隔离小生境NGA与孤岛模型PGA的方法，作者分别提出了新的基于模式交流的隔离小生境遗传算法(INGA)与改进的并行遗传算法(IPGA)。仿真实验表明新方法与传统方法比较在神经网络建模中具有更好的计算效率与模型质量。基

3、于IPGA方法提出并设计实现了自动误差分析、模型有效性判定、模型修正与设计的自动建模系统，基于此构造了通用的ANN预测支持系统建模软件，并应用于电力负荷预测中，取得了比传统建模方法更好的实际应用效果。本文的研究工作对研究遗传算法进化机理，化解遗传算法的多模态早熟收敛问题，探索神经网络模型的进化设计新方法．促进计算智能的深入研究具有重要理论意义和工程应用意义。关键词：遗传算法(GA)，早熟收敛，SCMPGA，神经网络(ANN)进化建模，负荷预测模式交流多群体遗传算法及其在神经网络进化建模中的应用AbstractAmingattheproblemofprematureconvergen

4、ceinGAandthemethodofANNevolutionarymodeling，thisthesisfocuesonthedynamicpropertiesofmulti—modalfunctionoptimizationproblem，schemacommunicatingmulti-populationgeneticalgorithm(SCMPGA)，thealgorithmofANNevolutionarymodelingbasedonSCMPGA，theapplicationofSCMPGAinpowerloadforecastsystemmodelingandSO

5、on．Themainachievementsareasfellow：Atfirstthisthesissummarizesthecurrentachievementsofgeneticalgorithm，researchesthedynamicpropertiesofmulti—modalfunctionoptimizationproblem(MFO)TheauthorquantitativeanalyzesthecompetitionpropertiesamongnicheinMFO，qualitativeanalyzesthatnichescheatisthecauseofpr

6、ematureconvergenceinMFO．TraditinalGAisdifficultinsolvingMFO．Thethesisanalyzesthespeciesevulutioninnatureandcivilization＆scienceadvancement．SCMPGAiSproposed．inwhichschemaoperatesisintroduced．Theschemasarememorized，learned，united，excludedamongpopulationsinSCMPGA．ThemethodisnewwaytOsolvepremature

7、convergenceinMF0．ANNevolutionarymodelingisMFO．ThevalityofANNmodelisevaluatedbyitsgeneralizationaryability．BasedonSCMPGA，theauthordesignestwoimprovedalgorithmsofANNevolutionarymodeling．OneisimprovednicheGA(INGA)whichadoptesnichetechnolog