求解动态优化问题的遗传算法的分析与实现-analysis and implementation of genetic algorithm for solving dynamic optimization problems.docxVIP

目录摘要VABSTRACTVI第一章绪论11.1引言11.2动态优化问题求解方法研究进展21.3进化算法21.4动态进化计算的研究综述31.4.1动态优化问题的要素31.4.2进化算法求解动态优化问题的研究进展与策略41.5本文的组织结构9第二章遗传算法原理及其实现112.1遗传算法的产生与发展112.2遗传算法的基本思想与特点112.2.1遗传算法基本思想112.2.2遗传算法的特点122.3遗传算法基本原理132.4基本遗传算法的理论基础142.4.1模式定理142.4.2积木块假设152.4.3遗传算法数学描述152.5基本遗传算法的实现162.5.1基本遗传算法的实现步骤162.5.2基本遗传算法的技术实现172.6本章小结26第三章自适应的双概率原对偶遗传算法研究273.1概述273.2原对偶映射机制273.3原对偶遗传算法基本规则设计283.4双概率原对偶映射机制303.4.1设计思想303.4.2双概率计算303.5自适应的双概率的原对偶遗传算法323.6几种对偶机制比较333.7动态环境测试343.7.1静态优化问题343.7.2动态测试环境的产生353.8实例仿真结果与分析353.8.1位匹配问题的实验结果363.8.2欺骗函数的实验结果393.8.3RoyalRoad函数的实验结果413.8.4实验结论443.9本章小结44第四章基于贪婪近似法的遗传算法在动态背包问题中的应用与研究454.1动态背包问题描述454.2贪婪近似法464.3算法基本规则设计474.3.1算法设计思想474.3.2基于贪婪近似法的双概率原对偶遗传算法474.4实例仿真484.4.1动态测试函数484.4.2实验设置484.5实例仿真结果与分析494.6本章小结51第五章总结与展望525.1本文研究成果525.2研究展望52参考文献54致谢59攻读硕士学位期间已发表的论文60第一章绪论1.1引言动态优化问题广泛存在于工程实际与日常生活中。例如调度问题中新订单的随机动态到达，需要将新任务立即加入到当前调度中；机器可能会发生故障或者降低加工速度；原材料的质量也会发生变化以及需要考虑生产限度的影响等[1]。应急物流中灾情地理范围的扩大，资源需求的变化以及路况的变化等等[2]。这些突发事件或变化如不及时响应,将会造成客户投诉,财产损失甚至人员伤亡等。因此，在解决这些动态优化问题时，需要一类功能强大的启发式算法对变化做出准确响应，并及时地做出新环境下的最优或满意决策。静态优化问题中，目标函数仅与决策变量或者约束条件有关，最优解不随时间（环境）的变化而改变。而动态优化问题的最优解会因为目标函数、环境参数或者约束条件的变化而随时发生变化。算法在静态问题中需要准确快速地收敛到固定的最优点，但动态问题要求算法尽可能连续地追踪最优解或满意解的变化轨迹。其中，“重启算法”（RestartMethod）[3]被认为是响应变化最直接的方法，即将每次变化都作为一个新的优化问题来求解。但是这种方法存在缺陷：（1）重新求解浪费时间与计算资源；（2）环境的变化可能很难被探测到，或者至少在一段时间内不能及时被探测；（3）新问题与旧问题存在相似性，若每次微小的变化都需要对问题重新进行求解，不利于算法有效快速地追踪新环境下的最优解。进化计算（EvolutionaryComputation,EC）自产生以来，一直备受人们的关注，作为一类模拟生物进化过程中遗传信息传递模式和自然选择机制的优化方法，进化计算演化的并行性、对全局优化问题求解的有效性和实用性以及稳健性，使其在很多经典理论问题和工程实际中获得了广泛的应用[4][5]。另一方面，由于自然进化过程实际上是一种随机的自适应、自学习的动态过程[6]，所以遗传算法从机制上来讲也应该适用于动态优化问题的求解。本文运用进化算法中的一类亚启发式算法-遗传算法（GeneticAlgorithms,EAs）对几类动态优化问题进行求解，并通过与同类算法的实验结果，对提出算法在动态环境下有效改进机制进行分析。1.2动态优化问题求解方法研究进展最早关于动态环境中进化计算方法的研究可以追溯到1966年[7]，但是直到上世纪80年代中期才成为众多学者的研究热点之一[8]，近几年来许多国际会议（比如GECCO2002、WCCI2002以及CEC2003等等）上都有进化算法在动态环境中应用方面的论文发表，特别是在CEC2004上为动态进化优化方法开辟了相关的专题会议。对动态优化问题的研究最初开始于对遗传算法（GA）的研究，学者们提出了各种应用于动态优化问题中的GA算子[9]，比如在GA中引入过度变异策略[10]（Hyper-mutationScheme），随机迁移策略[11]（RandomImmigrationScheme），多种群方法[12]（Mu