文档介绍：摘要遗传算法是一种基于生物进化理论的全新优化搜索方法,是一种具有极高鲁棒性的全局优化方法,在自控领域得到广泛的应用。本文对遗传算法理论进行了深入而细致的研究,针对标准遗传算法易发生早熟收敛现象和收敛速度过慢的缺陷,提出了遗传算法的改进策略:最优保存策略以及采用自适应交叉和变异算子,并综合分析了它们对算法收敛性的影响。本论文用作为数据处理工具,分析和仿真了刂葡统,用遗传算法搜索最佳的问Sτ酶慕囊糯惴ǘ訮控制器参数进行优化设计,基于的仿真结果表明控制系统的性能指标有很大改善,证明了该改进算法的可行性和有效性。遗传算法在自控领域的应用目前多数处于理论性仿真研究阶段。本人应用软件仿真了实际工业过程控制系统,并验证了遗传算法在工业过程控制中的巨大应用价值,证实了该方法具有简单、直观的特点和很强的工程应用价值。关键词:遗传算法;呕ǎ籑抡妫蛔允视际酰皇视度函数江苏大学硕士学位论文
知识水坝为您整理
..畐籔猼籑;籄.、琲,猚瓸—篻Ⅱ
知识水坝为您整理
弓毛删学位论文版权使用授权书描等复制手段保存和汇编本学位论文。本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权江苏大学可以将本学位论文的全部内容或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫本学位论文属于保密口,在年解密后适用本授权书。不保密口。学位论文作者签名:年指导教师签名:月日
第一章绪论遗传算法的概念遗传算法的研究历史及国内外研究现状江苏大学硕士学位论文遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种全局优化概率搜索算法。遗传算法中,将霾呦蛄縳表示成由黾呛潘槌傻谋码符号串,这样就可以将决策向量看做是由刀个遗传基因所组成的一个染色体。这种编码所组成的排列形式就称为个体的基因型,与它对应的决策向量稻称为个体的表现型。通常个体的基因型和表现型是一一对应的,但有时也允许基因型和表现型是多对一的关系。对于每一个个体要按照一定的规则确定出其适应度。个体的适应度与其对应的个体表现型的目标函数值相关联,个体表现型越接近目标函数的最优值,其适应度越大;反之,其适应度越小。遗传算法中,决策变量组成了问题的解空间。而对问题最优解的搜索是通过对染色体的搜索过程来进行的,从而由所有的染色体就组成了问题的搜索空间。生物的进化是以集团为主体的。与此对应,遗传算法的运算对象是由多个个体所组成的集合,称为群体。与生物一代一代的自然进化过程类似,遗传算法的运算过程也是一个反复迭代的过程。群体不断的经过遗传和进化操作,并且每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代,这样最终在群体中会得到一个优良个体,其所对应的表现型将达到或接近问题的最优解。生物的进化过程主要是通过染色体之间的交叉和染色体的变异来完成的。与此相对应,遗传算法中最优解的搜索过程也模仿生物的这个进化过程,使用所谓的遗传算子作用于群体中,从而得到新一代群体。遗传算法,简称谝恍┥镅Ъ矣眉扑慊拟生物进化过程的仿真实验。从世纪年代,生物模拟就成为计算机的一个重要组成部分。自从达尔文的进化理论得到人们的普遍接受之后,进化机制便引起了人们的极大兴趣。大多数生物体通过自然选择和有性生殖这两种基本过程进化演化。自然选择决定了那些个体能够存活并繁殖;而有性生殖保证了后代基因中的混合和重组。这种由基因重组产生的后代进化要快得多。自然选择的原则是
江苏大学硕士学位论文优胜劣汰,适者生存。世纪年代中期创立了仿生学,许多科学家从生物中寻求用于人工系统的灵感。一些科学家如琌和直鸲懒⒌卮由锝碇蟹⒄出适合于现实世界复杂问题优化的模拟进化算法=惴òㄈ矫婺谌荩阂糯惴℅呗訣。其中遗传算法的研究最为深入持久应用面也最广。遗传算法早期的研究工作始于世纪年代。在此期间,美国密执安大学的淌谡诖邮伦允视ο低车难芯浚苌镅Ъ颐的启发,淌诖丛煨缘亟D庖糯阕佑糜谌斯は低巢⒊晒Φ乩盟决了一些实际问题,如“旅行商问题”,它的价值逐渐被人们所认识。ê腿斯な应系统的专著,比较全面地介绍了遗传算法的基本理论和方法并提出了对遗传算法的理论研究和发展极为重要的模式定理,从而树立了遗传算法发展史上的第一块里程碑。淌谝惨虼吮皇游R糯惴ǖ拇词既恕他所创建的遗传算法是一种概率搜索方法,利用简单的编码技术和复制、交叉、变异等生物机制来表现复杂的现象,因其搜索空间不受限制性假设的约束,不必要求诸如连续性、可导、单峰和倒数存在,从而能够解决许多传统方法难以解决的问题,被广泛用于各种优化问题。并以其固有的并行性,在函数优化、机遗传算法发展史上的第二块里程碑是瓿闪司哂兄傅家庖宓牟┦垦位论文《遗传自适应系统的行为