毕业论文遗传算法在函数优化中的应用二.docVIP

遗传算法在函数优化中的应用 目录 1.绪论 1 1.1概述 1 1.2遗传算法的发展历史与研究进展 2 2.遗传算法流程与应用举例 4 2.1遗传算法中各重要因素分析 4 2.2重要参数设置 6 2.3简单的遗传算法运算示例 6 3.遗传算法在函数优化应用中的性能研究 10 3.1遗传算法在实际应用中的性能影响因素 10 3.2函数优化问题的描述 12 3.3求解函数优化问题的最优交叉、变异率组合的研究 14 3.4一种求解函数优化问题的自适应遗传算法 17 3.5小结 19 结束语 19 参考文献 20 致谢 21 1.绪论 1.1概述 遗传算法(genetic algorithms简称GA)由美国密歇根大学的John H．Holland遗传算法优化求解过程与梯度信息无关，只需要目标函数是可计算的，对于复杂的优化问题只需选择、杂交、变异三种遗传运算就能得到优化解，基于这些显著的优点，GA已引起人们的广泛应用和研究。 1.2遗传算法的发展历史与研究进展 1.2.1遗传算法的发展历史 遗传算法的发展历史始于二十世纪60年代。J．H．Holland教授认识到生物的遗传和自然进化现象与人工自适应系统的相似关系，提出在研究和设计人工自适应系统时，可以借鉴生物的遗传机制，以群体的方式进行自适应搜索。1967年，Holland的学生Bagley在他的博士论文中首次提出了“遗传算法”这一术语，提出选择、交叉和变异，与目前遗传算法中相应的算法十分接近，引入适应度定标(Scaling)的概念。同时，他也首次提出了遗传算法自我调整的概念。 第一个把遗传算法用于函数优化的是Hollstien，1971年他在论文《计算机控制系统中的人工遗传自适应方法(Artificial Genetic Adaptation in Computer ControlSystems)》中阐述了遗传算法用于数学反馈控制的方法，主要讨论了二变量函数的优化问题。 1975年，Holland出版了第一部著名的专著《自然系统和人工系统的适配(Adaptation in Natural and Artificial Systems)》，该书系统地阐述遗传算法的基本理论和方法，并提出了遗传算法的基本定理——模式定理(Schema Theorem)，奠定了遗传算法的理论基础。同年，美国De Jong博士在其论文《遗传自适应系统的行为分析》中结合模式定理进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，将选择、交叉和变异操作进一步完善和系统化，同时又提出了诸如代沟(generationgap)等新的遗传操作技术，建立了著名的De Jong五函数测试平台。 80年代，Holland教授实现了第一个基于遗传算法的机器学习系统——分类系统(Classifier System)，开创了基于遗传算法的机器学习的新概念，为分类器在构造上提出了一个完整的框架。1987年，Davis出版了《Genetic Algorithm and SimulatedAnnealing》一书，以论文集形式用大量的实例介绍了遗传算法的应用技术。1989年，Goldberg出版了专著《遗传算法在搜索优化和机器学习中的应用(Genetic Algorithms in Search，Optimization and Machine Learning)》，该书系统总结了遗传算法的主要成果，对GA的基本原理及应用做了比较详细、全面的论述，奠定了现代遗传算法的科学基础。该书至今仍是遗传算法研究中广泛适用的经典之作。此后，许多学者对原来的遗传算法(或称基本遗传算法)进行了大量改进和发展，提出了许多成功的遗传算法模型，从而使遗传算法应用于更广泛的领域。进入90年代后，遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，在各种不同领域如机器学习、模式识别、神经网络、控制系统优化及社会科学等中得到广泛应用，引起了许多学者的关注。1991年，Lawrence Davis出版了《遗传算法手册(Handbook ofGeneticAlgorithm)》一书，对有效地应用遗传算法具有重要的指导意义。国外出现了一些著名学者，如Holland，Goldberg，Davis等，其经典著作也鲜为人知，国内也有一些有关的书籍相继出版，一系列以遗传算法为主题的国际会议变得十分活跃。从1985年开始，国际遗传算法会议，即ICGA(InternationalConference on Genetic Algorithm)每两年举行一次；在欧洲，从1990年开始也每隔一年举办一次类似的会议，即PPSN(Parallel Problem Salving from Nature)会议；目前与GA有关的学术会议有：世界计算智能大会，它是IEEE