科研之友
微信
新浪微博
Facebook
分享链接
摘要
遗传算法作为一种仿生智能优化技术,克服了梯度搜索技术的不足,已经广泛地应用在工程科学上的许多领域。与基于微积分理论的传统优化方法相比,遗传算法在全局优化、复杂设计、复杂目标函数优化及易用性等方面都显示出了其优越性,成为计算智能研究中的热点。在分析简单遗传算法和各种改进算法的基础上,以达尔文进化论和孟德尔遗传学为总的指导思想,力求模仿生态学的方法和现象、结合生物工程上的技术手段以及借鉴其它学科的一些原理和方法,来改进简单遗传算法,旨在提高收敛精度和全局收敛率。具体内容如下:研究了遗传算法中的物种培育问题。模仿生物工程上的不同育种技术,提出了三种育种遗传算法,即杂交育种遗传算法、诱变育种遗传算法和选择育种遗传算法。通过对全局最小值和全局最大值的复杂函数优化,分析比较了各种育种遗传算法的优缺点。研究了遗传算法中的物种进化环境。小生境遗传算法反应物种不是独立存在的,而是相互联系,相互影响的。惩罚小生境遗传算法具有优良的性能,常用于多模态函数的优化,但小生境半径困扰着这一技术的运用。针对这一问题提出了基于优良种子的惩罚小生境遗传算法,采用简单遗传算法对待求解问题进行初步探索,通过多次运行得到优良种子集,种子之间的几何位置关系可以帮助小生境距离的确定。在解决类似旅行商之类的非确定性多项式问题时,先验知识的应用对难题的解决是很重要的。提出了基于优良种子分段方法,使用“分而治之”的策略,可望将复杂问题的“无穷尽处理法”变为“有限选择法”。时间上的计算问题一旦在空间上采用某种有序划分,复杂过程可以约化为简单的处理程序。以优良种子为先验知识,进行有序划分,从而找到接近最优值的满意解。研究了物种基因多效性的问题。模仿生物中的一因多效的现象,提出了基于一因多效的遗传算法,突破了基因型与表现型之间的惯用的一一对应关系,在算法中首次建立了一个基因型对应多个表现型的非线性仿生关系。研究表明一因多效遗传算法易于维护种群的多样性,可以运用小规模种群运算,以提高算法的运行效率。本文的创新点如下:1.依据生物工程上的育种技术提出了三种不同的育种遗传算法,即杂交育种遗传算法、诱变育种遗传算法和选择育种遗传算法。2.采用极值点探求法挖掘待求函数信息,指导小生境距离的确定。以解决惩罚小生境遗传算法关键参数选取问题,有助于算法的推广应用。3.采用开放路径优化和片段重叠优化技术,以解决大规模旅行商问题降维后,端点的连接与优化问题。4.提出了基于一因多效的遗传算法,在算法中首次建立了一个基因型对应多个表现型的非线性仿生关系,模拟了生物基因与表现型之间的复杂关系,有效提高了种群的多样性。
