遗传算法及在约束优化中的应用.pdf

摘要 当前在工程、管理、经济、科研、军事等领域不断涌现出复杂的约束优化问 题，此类问题一般规模大、高度复杂、不确定、建模困难，一般采用智能优化方 法求解。遗传算法(GeneticAlgorithms：GA)是一类模拟生物进化机制的智能优化 算法，具有易操作性、高度并行性、自适应性和应用范围广的优点，已经成为人 工智能领域研究的一个热点。本文主要研究对遗传算法编码方式和遗传算子的改 进，以及如何利用遗传算法的优势来解决复杂的约束优化问题。主要内容可以归 结为如下几个方面： 1．针对一类非线性规划和非线性整数规划，设计了一种基于新的实数编码 Genetic basedonaNewReal 的遗传算法(a Algorithm Code：NRCGA)，该方法采用 一种新的实数编码策略，通过简单的排序就能修复遗传操作中产生的所有不可行 的染色体。新算法是一种基于解码的方法，没有额外的参数，可以独立的处理某 一类约束，与其他约束处理技术结合后可以处理更为复杂的约束。6个仿真实例 表明，新方法提高了遗传算法的收敛速度，鲁棒性强。 2．针对凸二次背包问题(QuadraticKnapsackProblem：Qrd,)，提出了改进的 基于变量分组的遗传算法。该方法首先求解凸二次背包问题的连续松弛模型的最 优解，然后利用该最优解的信息消去部分变量从而达到降维的目的，进而将原问 题转化为降维后的子问题，最后用基于变量分组的遗传算法求解子问题，最终可 以得到原问题的最优解。数值算例验证改进的算法优于基于变量分组的遗传算法 basedGenetic (Variable·GroupingAlgorithm：VGGA)。 3．设计了一种基于遗传算法的哈希函数构造方法。该方法首先通过分析折 叠法和除留余数法的共性，把哈希函数的构造问题转化为一个整数规划问题，然 后用NRCGA求解该整数规划，最后根据求得的最优解构造出了哈希函数。仿真 结果验证了该方法的有效性。 4．给出了一种新的基于解码的约束优化进化算法。该方法采用遗传算法作 为进化机制，建立了n维向量与其单位向量和模的一一对应关系，构造了一种冗 余度为0的编码。13个标准测试问题和3个常用的测试问题验证了该方法的有 效性。 关键词：遗传算法；实数编码；约束优化；凸二次背包问题；哈希函数 ABSTRACT constraint in emerging Nowadayscomplex optimizationproblems(COPs)keep thefieldof researchand military． engineering，management，economic，scientific These whicharesolved methods are problems byintelligentoptimizationgenerally and in difficultymodeling．Genetic alwayslarge-scale，highlycomplex，uncertain imitatesnatural and organisms’evolutionaryprocess algorithm(GA)，which akindof withthe mechanism，is