基于引入强制变异的改进遗传算法性能研究【开题报告+文献综述+毕业论文】

《基于引入强制变异的改进遗传算法性能研究【开题报告+文献综述+毕业论文】》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、毕业论文本科毕业论文开题报告计算机科学与技术基于引入强制变异的改进遗传算法性能研究一、综述本课题国内外研究动态，说明选题的依据和意义遗传算法GA（GeneticAlgorithm）是最近这些年来发展速度比较快的一种模拟自然界中适者生存、优胜劣汰的生物进化过程的原理与机制的用以求解极值问题的一类自组织、自适应的人工智能技术。遗传算法主要是借用了生物遗传学中自然选择遗传和变异等作用机制，而开发出来的一种全局优化的自适应概率搜索算法。遗传算法采用了群体搜索技术，对当前代的种群进行选择、交叉、变异等一系列遗传操作，从而产生出新一代的群体，然后经过一定代的不断操作使群体进化到包含或接近最优解的状态。遗传

2、算法呈现的是一个通用的框架，该框架对问题的种类没有具体要求或者说遗传算法对求解问题无可微性及其他要求，所以遗传算法是一类具有较强鲁棒性的优化算法，可以广泛的应用于许多学科之中。特别是对于一些大型、复杂非线性系统，遗传算法表现出了比其他传统优化方法更加独特和优越的性能[1-8]。遗传算法与其他一些优化算法相比，它主要有以下几个特点：(1)遗传算法把决策变量的编码作为运算对象。传统的优化算法一般是直接利用决策变量的实际值本身来进行优化计算，但遗传算法不是直接以决策变量的值，而是把决策变量的编码成染色体的形式进行运算。这种对决策变量的编码处理方式，为我们在优化计算过程中可以借鉴生物学中染色体和基因等

3、概念创造了可能性，使得我们可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地应用遗传算子。特别是对一些无数值概念或者很难有数值概念，而只有代码概念的优化问题，编码处理方式更显示出了其独特的优越性。(2)遗传算法直接以目标函数值作为搜索信息。传统的优化算法不但需要利用目标函数值，而且往往需要目标函数的导数值等其他一些辅助信息才能确定搜索方向。而遗传算法仅使用由目标函数值变换来的适应度函数值，就可以确定进一步的搜索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息39毕业论文(1)遗传算法能够同时使用多个搜索点的搜索信息。传统的优化算法往往是从解空间中的一个初始点开始最优解的迭代搜索

4、过程。不会出现单个搜索点提供的一个初始点开始最优解而停滞不前这种情况。遗传算法从由很多个体所组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索。这一定程度上也避免了算法出现局部最优解的情况。(2)遗传算法使用概率搜索技术。很多传统的优化算法往往使用的是确定性的搜索方法，一个搜索点到另一个搜索点的转移由确定的转移方法和转移关系，这种确定性往往也有可能使得搜索永远达不到最优点，因而也限制了算法的应用范围。而遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。虽然这种概率特性也会使群体中产生一些使用度不高的个体，

5、但随着进化过程的进行，新的群体中总会更多地产生出许多优良的个体，实践和理论都已经证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解[2]。遗传算法由于具有原理简单易懂、实现方便、应用效果显著等优点而被众多应用领域所接受，而且在自适应控制、组合优化、模式识别、机器学习、人工生命、管理决策等领域得到了广泛的应用。隐含并行性和全局搜索特性是遗传算法的两大显著特性。但是在简单遗传算法搜索过程中，进化初期的某些性状突出的个体可能限制了其他个体进化，从而造成早熟收敛现象。因为经典的遗传算法不是一个完全遍历的Markov[3]过程，它存在收敛速度慢、收敛过程中稳定性差、可控制性差和早熟收敛等缺陷，阻碍

6、了遗传算法走向实用。另外，在简单遗传算法中，对于交叉和变异的概率等参数，到目前为止仍然没有合理的行之有效的指导性纲要来作为理论依据，都需要人为地预先指定，无论解的好坏，其遗传操作的概率和值的变化范围都是一样的。这样使得遗传操作的适应性较差，在解决复杂问题或解空间很大时，会发生收敛速度慢或局部收敛的情况。在标准遗传算法的过程中，选择算子和交叉变异算子之间存在着收敛速度和全局收敛的矛盾。通过改变选择压力可以调整适应度高的个体被选中的机会。进化初期选择压力较大，适应度高的个体容易很快控制进化过程，造成群体的早熟，在进化过程的后期，群体差异变小，使得收敛速度降低。交叉和变异算子是对解空间新区域进行搜索

7、的有效方法。但交叉和变异操作概率要依靠经验获得，且对不同问题，情况亦不相同。交叉率高，会使群体中原高适应度的个体的淘汰速度大于交叉算子产生高适应度个体的速度；交叉率低，又会使得搜索过程停滞不前。变异率也存在类似的问题。因此，必须对利用确定交叉变异概率的简单遗传算法进行改进。39毕业论文为克服在标准遗传算法和一般自适应遗传算法中存在的容易陷入局域值点的难题，我们用引入强制变异，并与最佳解保留和自适应