高性能遗传算法的研究

《高性能遗传算法的研究》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、高性能遗传算法的研究摘要恤传算法是密歇根大学Holland教授借鉴生物进化中的“生存竞争”和“优胜劣汰”现象提出的有效的全局优化算法。它将遗传操作应用于一群对搜索空间编码的染色体中，在每一代，遗传算法同时作用于整个搜索空间的不同区域，通过优胜劣汰，去掉解空间中期望值较低的部分，保留高期望值部分，从而能以较大的概率找到最优解。由于遗传算法具有不少传统优化算法所不具有的优点，自从20世纪70年代被提出来后己经得到了广泛的研究和应用。但是遗传算法具有后期收敛速度慢和容易陷入局部最优的缺点。为了提高遗传算法的

2、性能，学者们做了大量的探索和改进，取得了不少有效的成果。但是这些改进主要集中在遗传参数的设置以及遗传算子的设计方面。争为了克服遗传算法的上述两个缺点，提高遗传算法的性能，本文在引进协同模型、运用并行模型、以及结合其它算法等方面做了探讨。为了提高遗传算法的收敛速度，提出了一种结合c一均值聚类算法的混合算法，在结合遗传算法的全局收敛性以及c一均值聚类算法的快速收敛性方面做了探讨。受生物界普遍存在的协同进化现象的启发，本文提出了一个协同进化模型。在协同进化模型中，个体的在群体中表现出来的适应度不仅与其染色体

3、有关，而且与该个体与周围个体的协同关系有关。竟争现象及多种群同时竞争现象在生物进化中是普遍存在的，据此本文提出了一种基于多层竞争的改进的并行进化模型。在这改进的并行模型中的竟争不仅包含了一个之间以及子群体之间的竞争，而且包含了家庭之间的竞争.味0结果表明上述三种改进方法在一定程度上克服了遗传算法的上述两个缺点。遗传算法是一种来源于生物进化的优化思想，为了更有效的解决遗传算法的上述两个缺点，就要更有效地模拟生物进化现象，所以在未来改进遗传算法的工作中应注意不断吸取生态学中的研究成果，提高遗传算法的自适应

4、性和性能。少关键词:遗传算法;协同进化;并行算法TheResearchofHigh-PerformancedGeneticAlgorithmsABS丁RAC丁GeneticAlgorithms(GAs)areasortofglobal,efficientoptimizationalgorithmwhichwasputforwardbyprofessorHollandinMichiganUniversityinspiredbythephenomenaofsurvivalcompetitionandnat

5、uralselection.IntheapplicationofGAs,geneticoperatorsoperateonagroupofchromosomewhichiscodedsearchspace.Ineachgeneration,GAsoperatesontheentiresearchspacesimultaneouslyandpreservesthefiterindividualsimitatingnaturalselection,resultinginthefactthattheopti

6、macanbefoundbyhighprobability.BecauseGAshasmanyadvantagesovertraditionaloptimizationalgorithms,alotofresearchandapplicationhavebeenperformingonitsinceitwasputforwardin1970s.ButGAsconvergesslowlyinlatestagesandissusceptibletolocaloptima.Toimprovetheperfo

7、rmanceofGAs,researchershavedonealotofimprovementsandobtainedmanyefficientachievement.Buttheimprovementsaremainlyonthesetingofthegeneticparametersorthedesignofthegeneticoperators.ToimprovetheperformanceofGAs,researchwasdonewhichfocusesoncombiningotheralg

8、orithms,embeddingco-evolutionmodelandimplyingparallelmodels.ToacceleratetheconvergencerateofGAs,ahybridgeneticalgorithmispresentedinthispaperwhichcombinesGAwithc-meanclusteringanalysisalgorithm.Enlightenedbyprevailingco-evolution