| 【中文题名】 | 改进的遗传算法及其在CDMA基站优化选址中的应用 |
| 【英文题名】 | Improved Genetic Algorithm with Application to Optimize the Address of the Base-station in CDMA |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-4-20 |
| 【中关键词】 | 模式定理,遗传变异算子,单纯形交叉算子,爬坡算子,CDMA, |
| 【英关键词】 | schema theorem,the mutation operator of GA,the crossover operator of GA,the climbing operator,CDMA, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 遗传算法(Genetic Algorithm,简称GA)是一种产生于生物进化思想的随机搜索算法。它借鉴于优胜劣汰、适者生存的自然选择机理,简单通用、鲁棒性强、适合于并行处理,是一种有效的全局搜索方法,在多个领域得到了成功的应用。但是遗传算法也存在收敛速度慢、易早熟、局部搜索能力差等缺点,在搜索速度与求解精度上往往不能两者兼顾。为了解决复杂的多变量优化问题,在对遗传算法进行深入分析的基础上,本文做了如下研究工作:
分析自然进化各阶段对物种的不同影响,结合模式定理探讨影响模式生存的各种因素,提出了模式形成概率(PCS)的概念。通过分析PCS对算法性能的影响,从理论上建立了遗传算法参数与其性能之间的联系。
分析二进制遗传算法中基因频率对种群多样性的影响,提出了一种新的能维持种群多样性、且具有自适应变异概率的变异算子:染色体每一基因位上的变异概率由该基因位上的基因频率自适应的决定。最后用实验验证了本方法对保持种群多样性、加快收敛速度的有效性。
针对交叉算子产生个体的无方向性特点,提出了一种改进的单纯形交叉算子。该交叉算子吸收了单纯形法的思想,每次交叉都朝着当代种群最优解的方向... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-9 |
|
第一章 绪论 |
9-12 |
|
1．1 遗传算法的发展背景 |
9 |
|
1．2 遗传算法的研究现状 |
9-10 |
|
1．3 本文主要研究内容 |
10 |
|
1．4 章节安排 |
10-12 |
|
第二章 基本遗传算法 |
12-26 |
|
2．1 遗传算法概述 |
12-16 |
|
2．1．1 遗传算法简介 |
12 |
|
2．1．2 遗传算法的基本概念 |
12-13 |
|
2．1．3 遗传算法的基本思想 |
13-14 |
|
2．1．4 遗传算法的特点及其应用 |
14-15 |
|
2．1．5 遗传算法的运算过程 |
15-16 |
|
2．2 遗传算法的基本实现技术 |
16-22 |
|
2．2．1 编码方法 |
16-17 |
|
2．2．2 适应度函数 |
17-18 |
|
2．2．3 选择运算 |
18-20 |
|
2．2．4 交叉运算 |
20-21 |
|
2．2．5 变异运算 |
21 |
|
2．2．6 自适应交叉和变异概率 |
21-22 |
|
2．3 遗传算法的性能评价 |
22 |
|
2．4 常用的测试函数 |
22-25 |
|
2．5 本章小结 |
25-26 |
|
第三章 基于模式定理的遗传算法参数研究 |
26-33 |
|
3．1 引言 |
26 |
|
3．2 模式定理 |
26-28 |
|
3 2．1 基本概念 |
26 |
|
3．2．2 模式定理 |
26-28 |
|
3．3 自然进化的各阶段对物种繁衍的影响 |
28-29 |
|
3．4 模式的形成概率及其对算法性能的影响 |
29 |
|
3．5 基于逻辑算子的遗传算法及其 PCS |
29-31 |
|
3．5．1 基因的逻辑运算 |
29-30 |
|
3．5．2 基因的“融合”遗传 |
30 |
|
3．5．3 PCS在 GALO参数优化中的应用 |
30-31 |
|
3．6 实验研究 |
31-32 |
|
3．6．1 实验方案 |
31 |
|
3．6．2 实验结果 |
31-32 |
|
3．7 结束语 |
32-33 |
|
第四章 改进自适应遗传变异算子 |
33-39 |
|
4．1 引言 |
33 |
|
4．2 传统变异算子的改进 |
33-34 |
|
4．3 变异概率的自适应调整策略及修正 |
34-36 |
|
4．3．1 白适应变异概率 |
34-35 |
|
4．3．2 P_m表达式的修正 |
35-36 |
|
4．3．3 算法流程 |
36 |
|
4．4 实验验证 |
36-38 |
|
4．5 结论 |
38-39 |
|
第五章 基于实数编码的定向交叉单纯形遗传算法 |
39-44 |
|
5．1 引言 |
39 |
|
5．2 实数交叉算子 |
39-40 |
|
5．2．1 实数交叉算子简介 |
39 |
|
5．2．2 实数交叉算子的缺陷 |
39-40 |
|
5．3 单纯形交叉算子 |
40-41 |
|
5．3．1 单纯形法 |
40 |
|
5．3．2 单纯形交叉算子 |
40-41 |
|
5．4 实验验证 |
41-43 |
|
5．5 结论 |
43-44 |
|
第六章 爬坡算子 |
44-48 |
|
6．1 引言 |
44 |
|
6．2 爬坡算子 |
44-45 |
|
6．3 实验验证 |
45 |
|
6．4 结论 |
45-48 |
|
第七章 改进遗传算法在 CDMA基站优化选址中的应用 |
48-59 |
|
7．1 引言 |
48 |
|
7．2 CDMA移动蜂窝系统 |
48-50 |
|
7．2．1 蜂窝小区的形状与分类 |
48-50 |
|
7．2．2 CDMA技术 |
50 |
|
7．3 CDMA系统的基站天线 |
50-52 |
|
7．4 传播预测模型 |
52-53 |
|
7．4．1 自由空间传播 |
52 |
|
7．4．2 宏蜂窝预测模型—Okumura-Hata模型 |
52-53 |
|
7．5 改进 GA在 COMA基站优化选址中的应用 |
53-58 |
|
7．5．1 基于GA的CDMA网络基站优化分布概述 |
53-54 |
|
7．5．2 关键实现技术 |
54-56 |
|
7．5．3 实验验证 |
56-58 |
|
7．6 结论 |
58-59 |
|
第八章 结论与展望 |
59-60 |
|
8．1 本文的主要创新点 |
59 |
|
8．2 今后的研究问题 |
59-60 |
|
参考文献 |
60-63 |
|
致谢 |
63-64 |
|
攻读硕士学位期间撰写的论文 |
64 |
|
| 【DOI】 | LunWen.ID:2.2008.387607 |
