| 【中文题名】 | 改进的遗传算法及其在多目标优化中的应用研究 |
| 【英文题名】 | Improved Genetic Algorithm and the Application in Multi-objective Optimization |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-10 |
| 【中关键词】 | 遗传算法,粗粒度,并行遗传算法,Pareto最优解,多目标优化, |
| 【英关键词】 | Genetic algorithm,Coarse-grained,Parallel Genetic Algorithm,Pareto-optimal solutions,Mufti-objective optimization, |
| 【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】 | 遗传算法是模拟生物界的进化过程而产生的一种现代优化算法，作为一种有效的随机搜索方法，在优化方法中具有独特的优越性，有着非常重要的理论意义和广泛的应用领域。传统优化方法对目标函数解析性质要求较高，进化算法不需要目标函数的导数信息，具有隐式并行性，所以常用于一些复杂的、大规模的、非线性、不可微的求解优化问题。
本文介绍了遗传算法的发展概况，通过实例分析了基本遗传算法的实现步骤；对遗传算法的理论基础进行了分析讨论，包括模式定理，积木块假说，内在并行性，Walsh模式变换和欺骗问题等：对典型和近期发表文章所提出的一些改进策略作了总结和分析比较：提出了对遗传操作算子的改进策略，在具体问题中结合相应的特点再做相应的改进，通过线性规划问题、组合优化问题等算例的验证，结果表明算法是有效的，得到了较好的结果，同时也提高了算法的效率。还对遗传算法的并行化实现进行了研究，理论分析和实例计算的结果说明并行遗传算法有效的提高了全局搜索能力和局部快速搜索能力，提高了遗传进化效率，对于改进SGA的缺点是十分有效的。
多目标优化问题一直是科学和工程研究领域的一个难点和热点问题，在遗传算法应用到这一领域以前，已... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-9 |
|
第一章 绪论 |
9-16 |
|
1.1 引言 |
9-10 |
|
1.1.1 论文课题研究的目的和意义 |
9-10 |
|
1.1.2 本文所做的工作 |
10 |
|
1.2 生物进化与遗传 |
10-12 |
|
1.2.1 生物进化 |
10-11 |
|
1.2.2 生物进化与遗传算法及基本概念 |
11-12 |
|
1.3 遗传算法的基本思想 |
12-13 |
|
1.4 遗传算法基本要素 |
13 |
|
1.5 遗传算法的研究概况 |
13-16 |
|
1.5.1 遗传算法研究概述 |
13-14 |
|
1.5.2 遗传算法研究的新动向 |
14-16 |
|
第二章 遗传算法理论概述 |
16-38 |
|
2.1 模式定理 |
16-19 |
|
2.1.1 模式的定义 |
16-17 |
|
2.1.2 模式定理 |
17-19 |
|
2.2 积木块假说 |
19-20 |
|
2.3 内在并行性 |
20-21 |
|
2.4 Walsh模式变换 |
21-23 |
|
2.4.1 Walsh函数 |
21-22 |
|
2.4.2 用 Walsh函数表示模式平均适应度 |
22-23 |
|
2.5 欺骗问题 |
23-24 |
|
2.6 编码 |
24-28 |
|
2.6.1 二进制编码方法 |
25-26 |
|
2.6.2 浮点数编码方法 |
26-28 |
|
2.7 适应度函数及其尺度变换 |
28-31 |
|
2.7.1 几种常见的适应度函数 |
28-29 |
|
2.7.2 适应度函数的作用 |
29 |
|
2.7.3 适应度函数的设计 |
29-30 |
|
2.7.4 适应度函数的尺度变换 |
30-31 |
|
2.8 遗传操作 |
31-38 |
|
2.8.1 选择算子 |
31-34 |
|
2.8.2 交叉算子 |
34-36 |
|
2.8.3 变异算子 |
36-38 |
|
第三章 改进的遗传算法及其应用研究 |
38-52 |
|
3.1 简单函数优化实例 |
38-41 |
|
3.1.1 编码 |
38-39 |
|
3.1.2 产生初始种群 |
39 |
|
3.1.3 计算适应度 |
39-40 |
|
3.1.4 遗传操作 |
40-41 |
|
3.2 改进的遗传算法 |
41-44 |
|
3.2.1 选择算子的改进 |
41-42 |
|
3.2.2 交叉算子的改进 |
42-43 |
|
3.2.3 变异算子的改进 |
43-44 |
|
3.3 组合优化问题的遗传算法 |
44-47 |
|
3.3.1 线性规划问题求解模型 |
44-45 |
|
3.3.2 染色体的编码方式 |
45-46 |
|
3.3.3 适应值的定义及比例变换 |
46 |
|
3.3.4 算例实验 |
46-47 |
|
3.4 并行遗传算法 |
47-50 |
|
3.4.1 遗传算法的并行模型 |
47-48 |
|
3.4.2 粗粒度并行遗传算法的实现步骤 |
48-49 |
|
3.4.3 并行遗传算法分析 |
49 |
|
3.4.4 算例实验 |
49-50 |
|
3.5 小结 |
50-52 |
|
第四章 多目标优化问题的应用研究 |
52-61 |
|
4.1 多目标优化问题概述 |
52-54 |
|
4.1.1 多目标优化问题的产生、发展和应用 |
52-53 |
|
4.1.2 多目标优化问题的数学描述 |
53 |
|
4.1.3 目标优化的目标 |
53-54 |
|
4.2 占优和Pareto最优 |
54-57 |
|
4.2.1 占优的概念 |
54-55 |
|
4.2.2 用于查找一组非劣解的过程 |
55-56 |
|
4.2.3 种群的非劣分层 |
56-57 |
|
4.3 凸的和非凸的多目标优化问题 |
57 |
|
4.4 多目标优化和遗传算法的融合、发展状况及分类 |
57-61 |
|
4.4.1 权系数变化法 |
58-59 |
|
4.4.2 并列选择法 |
59 |
|
4.4.3 排序选择法 |
59-60 |
|
4.4.4 共享函数法 |
60-61 |
|
第五章 总结与展望 |
61-66 |
|
5.1 遗传算法操作描述及其相关改进的总结 |
61-62 |
|
5.2 遗传算法研究方向和趋势的展望 |
62-64 |
|
5.2.1 优化搜索方法的研究 |
62-63 |
|
5.2.2 学习系统的遗传算法研究 |
63 |
|
5.2.3 生物进化与遗传算法的研究 |
63 |
|
5.2.4 遗传算法的并行分布处理 |
63-64 |
|
5.2.5 人工生命与遗传算法的研究 |
64 |
|
5.2.6 遗传编程 |
64 |
|
5.2.7 遗传神经网络 |
64 |
|
5.3 本文所做工作的展望 |
64-65 |
|
5.4 结束语 |
65-66 |
|
参考文献 |
66-69 |
|
致谢 |
69-70 |
|
攻读学位期间发表的学术论文目录和科研情况 |
70 |
|
发表的学术论文 |
70 |
|
参与的研究项目 |
70 |
|
| 【DOI】 | LunWen.ID:2.2008.388139 |
