基于引入强制变异的改进遗传算法性能研究【文献综述】

《基于引入强制变异的改进遗传算法性能研究【文献综述】》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、毕业论文文献综述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引言：遗传算法是模拟生物在自然界环境中的遗传和进化过程而形成的一种自适应全局优化的概率搜索算法。它最早是由美国密歇根大学的Holland教授提出，起源于60年代对自然界中生物的适者生存、优胜劣汰的机制和人工自适应系统的研究[1]。70年代DeJong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验[2]。在一系列研究工作的基础上，80年代由Goldberg进行归纳总结，形成了遗传算法的基本框架[3]。在经常使用的标准遗传

2、算法的进化过程中，算法容易出现局部最优解，出现早熟。为避免这一现象，已有研究对各种遗传算子进行改进，其中自适应参数调整法已经被广泛的应用[4]。不过当面对一些较困难的问题，这种方法仍不能有效地避免早熟。因此，又有相关的工作在此基础上做了进一步的改进。1研究动态关于遗传算法解决寻优问题近年来越来越受到业界的关注，并逐渐成为了研究热点。这其中也涌现了许多改进的遗传算法。60年代初J.H.Holland提出在研究和设计人工自适应系统时，可以借鉴生物遗传的机制，以群体的方法就能进行自适应搜索。到了70年代初，H

3、olland教授提出了遗传算法的基本定理—模式定理（SchemaTheorem），奠定了遗传算法的理论基础。1975年，K.A.DeJong在其博士论文中结合模式定理进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。1989年，D.J.Goldberg出版了专著《搜索、优化和机器学习中的遗传算法（GeneticAlgorithminSearch，OptimizationandMachineLearing）》。1991年，L.Davis编辑出版了《遗传算法手

4、册（HandbookofGeneticAlgorithms）》一书，为推广和普及遗传算法的应用起到了重要的指导作用[5]。1992年，J.R.Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程（GeneticProgramming，简称GP）的概念。并将遗传编程的方法应用于人工智能、机器学习、符号处理等方面。近年来，面对一些较困难的问题，传统遗传算法已不能很好的予以解决。所以许多学者开始研究一些改进的遗传算法，变异遗传算法就是其中之一，如文献[8]提出了一种关于引入强制变异的改进遗传

5、算法的性能研究。42遗传算法简介2.1遗传算法的特点为解决各种优化计算问题，人们提出了各种各样的优化算法，如单纯形法、梯度法、动态规划法等。这些优化算法各有所长，也各有限制。遗传算法是一类可用于复杂系统优化计算的鲁棒搜索算法，与其他一些优化算法相比，它主要有以下几个特点[3]：（1）遗传算法以决策变量的编码作为运算对象。传统的优化算法往往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，而是以决策变量的某种形式的编码作为运算对象。这种对决策变量的编码处理方式，使得我们在优化计

6、算过程中可以借鉴生物学中染色体和基因等概念，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。传统的优化算法不仅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（3）遗传算

7、法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过程。单个搜索点提供的一个初始点开始最优解而停滞不前。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。（4）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、

8、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，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。当然，交叉概率和变异概率等参数也会影响算法的搜索效果和搜索效率，所以如何选择遗传算法的参数在其应用中是一个比较重要的问题。而另一方面，与其他一些算法相比较，遗传算法的鲁棒性又会使得参