| 【中文题名】 | 一种新的自适应遗传算法 |
| 【英文题名】 | A New Adaptive Genetic Algorithm |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 遗传算法,自适应,收敛性,全局优化,, |
| 【英关键词】 | Geneticalgorithm,Adaptation,Convergence,Global 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】 |
遗传算法是一种模仿生物自然进化过程的随机搜索和优化算法，其优势在于可以高效的处理传统搜索方法难以解决的非线性问题。遗传算法具有全局优化性和易操作性，由于其不受搜索空间的限制性假设的约束，具有广泛的适应性、并行性等特点，目前被广泛应用于函数优化、机器学习、模式识别以及自适应控制系统等众多领域，并逐渐成为人工智能领域的一个研究热点。
简单遗传算法作为一种启发式搜索算法，寻优理论还不完善。因此，在应用中常出现收敛过慢、稳定性差及早熟现象等问题，而现有的一些自适应遗传算法容易产生局部最优解。由于简单遗传算法和现有的一些自适应遗传算法存在缺陷，本文采用了一些已有的性能优良的改进的初始种群生成、遗传算子等方法，在现有的一些自适应遗传算法的基础上，针对交叉概率和变异概率进行改进，提出了一种根据适应度值自动调整交叉概率和变异概率的新的自适应遗传算法。实验结果表明，该算法在收敛快速性和稳定性等方面都有了明显的改善，达到了预期效果。 |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-9 |
|
第1章 绪论 |
9-15 |
|
1.1 引言 |
9-10 |
|
1.2 遗传算法的背景和发展历程 |
10-11 |
|
1.3 国内外的研究现状 |
11-12 |
|
1.4 遗传算法的应用 |
12-13 |
|
1.5 研究的背景及目的 |
13-14 |
|
1.6 论文的组织结构 |
14-15 |
|
第2章 遗传算法 |
15-31 |
|
2.1 遗传算法的基本思想 |
15 |
|
2.2 遗传算法的特点 |
15-16 |
|
2.3 遗传算法的实现 |
16-27 |
|
2.3.1 编码 |
16-18 |
|
2.3.2 初始种群 |
18-19 |
|
2.3.3 适应度函数及其尺度变换 |
19-22 |
|
2.3.4 选择 |
22-23 |
|
2.3.5 交叉 |
23-24 |
|
2.3.6 变异 |
24-26 |
|
2.3.7 种群大小 |
26 |
|
2.3.8 次要算子 |
26-27 |
|
2.4 简单遗传算法 |
27-30 |
|
2.4.1 简单遗传算法的构成要素 |
27 |
|
2.4.2 简单遗传算法的过程 |
27-29 |
|
2.4.3 简单遗传算法存在的问题 |
29-30 |
|
2.5 本章小结 |
30-31 |
|
第3章 自适应遗传算法 |
31-38 |
|
3.1 现有的几种改进的遗传算法 |
31-33 |
|
3.2 自适应遗传算法的产生 |
33-34 |
|
3.3 现有的几种自适应遗传算法 |
34-37 |
|
3.3.1 传统自适应遗传算法 |
34-36 |
|
3.3.2 一种改进的自适应遗传算法 |
36-37 |
|
3.4 本章小结 |
37-38 |
|
第4章 一种新的自适应遗传算法 |
38-53 |
|
4.1 遗传算法的控制参数 |
38-39 |
|
4.2 交叉概率和变异概率 |
39-40 |
|
4.3 改进的交叉概率和变异概率 |
40-43 |
|
4.4 一种新的自适应遗传算法的实现 |
43-52 |
|
4.4.1 新算法的基本思想 |
43 |
|
4.4.2 新算法的描述 |
43-49 |
|
4.4.3 新算法的实现 |
49-52 |
|
4.5 本章小结 |
52-53 |
|
第5章 实验结果分析 |
53-58 |
|
5.1 实验结果 |
53-57 |
|
5.1.1 实验1 |
53-55 |
|
5.1.2 实验2 |
55-57 |
|
5.2 本章小结 |
57-58 |
|
结论 |
58-59 |
|
参考文献 |
59-63 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
63-64 |
|
致谢 |
64 |
|
| 【DOI】 | LunWen.ID:2.2008.388837 |
