混合式遗传算法的研究与应用

《混合式遗传算法的研究与应用》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、哈尔滨工程大学硕：}学位论文摘要遗传算法由美国密执安大学的John．Holland教授首先提出，以达尔文的生物进化论为启发而创建的，是一种有效的全局优化技术。本文首先介绍了遗传算法的基本原理，并针对标准遗传算法在实际应用中存在的问题进行了细致的分析。同时参考了大量的文献。根据前人的研究成果结合在PID参数寻优中实际应用，得出标准遗传算法不是全局收敛的，容易出现“早熟现象”。为了改进这种情况，本文提出了几种改进的方案，并将其应用蓟PIO参数寻优中，效果比较明显。但在实际应用中遗传算法还存在另一个问题即在迭代末期收敛速度比

2、较慢，导致计算效率下降。单纯形法是一种局部优化技术，它可以在不了解函数特性的情况下，使寻优结果向局部最优值靠近，但其存在着一个弊端即对初始值比较敏感。基于此思想本文将遗传算法和单纯形算法有机的结合起来，提出了两种改进的措施，并将其与基本遗传算法进行比较，最后得出一个满意的结果。关键字：标准遗传算法(sGA)，扩散式遗传算法(SCGA)，单纯形哈尔滨工程大学硕十学位论文1ABSTRACTGeneticAlgorithmisdevelopedbyJohn．HollandwhoisaprofessorinMichiganUn

3、iversityinUnitedState，basedonDarwin’Stheoryofevolution．Itisanefficientoptimaltechnology．ThispaperintroducestheelementaltheoryoftheGeneticAlgorithmatfirst，andgivesadedicateanalysistotheproblemwhichisfoundwhenweusethe‘GeneticAlgorithmtooptimizetheparameterofthe：PI

4、Dcontroller．AccordingtotheachievementofpredecessorandtheapplicationoftheGeneticAlgorithmoptimizingtheparameterofthePIDcontroller，wenoticethatthestandardGeneticAlgorithmisnotagloballyoptimattechnology，andeasilyfalieninthe“the：early—maturingphenomenon”．Inthispaper

5、，wegivesthestricttestifybasedontheMarkerChain．Forsolvingthisproblem，WedevelopsomenewalgorithmsoftheGeneticAlgorithmandusethemtotheoptimalofPIDparameter．TheresultshowsthattheyarebetterthanthestandardGeneticAlgorithm．ButthereisanotherproblemontheapplicationoftheGe

6、neticAlgorithmwhichistherateofconvergenceistoolow．TheSimplexOptimalmethodisanotheroptimizingtechnologywhichcanfindalocalbestsolutionwithoutthecharacteroffunction．ButthereexitsalsoaproblemintheSimplexOptimalmethodwhichistheresultiseasierinfluencedbytheinitialvalu

7、es．BasedonthecharactersoftheSimplexOptimalmethodandtheGeneticAlgorithm,wedevelopsomenewGeneticAlgorithmsfortheoptimizingtechnology．ThesenewGeneticalgorithmscombinetheclassicGeneticAlgorithmandtheSimplexOptimalmethod．Atlast，weusenewGeneticAlgorithmandtheclassicGe

8、neticAlgorithmtooptimizetheparameterofPIDcontroller，respectively。Comparingtheirresults，wefindthatthenewGeneticAlgorithmisdistinctlybetterthantheclassicGeneticAlgorith