太原科技大学.docx

资源描述

太原科技大学.docx

《太原科技大学.docx》由会员分享，可在线阅读，更多相关《太原科技大学.docx（9页珍藏版）》请在冰豆网上搜索。

太原科技大学.docx

太原科技大学

毕业设计（论文）

题目：

遗传算法的参数分析

姓名___张心悦__

学院（系）应用科学学院

专业_信息与计算科学

班级0381

指导教师___刘斌___

年月日

太原科技大学毕业设计（论文）任务书

（由指导教师填写发给学生）

学院（直属系）：

时间：

年月日

学生姓名

指导教师

设计（论文）题目

主要研

究内容

研究方法

主要技术指标（或研究目标）

主要参考文献

说明：

一式两份，一份装订入学生毕业设计（论文）内，一份交学院（直属系）。

摘要...........................................................................................................................Ⅲ

ABSTRACT...........................................................................................................Ⅳ

第1章绪论.........................................................................................................1

1.1遗传算法的产生背景..........................................................................1

1.1.1遗传算法产生的生物学基础.........................................................4

1.1.2从生物进化到演化计算..................................................................6

1.1.3遗传算法的特点..............................................................................9

1.2遗传算法的发展及研究状况..........................................................11

1.3本文的主要工作...............................................................................15

第2章遗传算法简介................................................................................16

2.1遗传算法的基本流程........................................................................18

2.2遗传算法的基本实现技术...............................................................20

2.2.1编码...............................................................................................21

2.2.2适应性的度量...............................................................................22

2.2.3选择算子........................................................................................23

2.2.4交叉算子........................................................................................24

2.3遗传算法的收敛性分析.................................................................28

第3章参数对遗传算法性能影响实例分析.......................................29

3.1基本遗传算法的实现.......................................................................30

3.2遗传算法运行参数分析...................................................................32

3.2.1确立评价目标函数........................................................................36

3.2.2分析各参数的影响........................................................................38

3.3对基本遗传算法的改进..................................................................40

3.3.1适应值函数的改进.........................................................................42

3.3.2自适应遗传算法..........................................................................46

参考文献............................................................................................49

致谢............................................................................................................50

附录...........................................................................................................55

附录Ⅰ中文译文.........................................................................................55

附录Ⅱ英文原文..........................................................................................62

（注1：

如果还有其他附录，可放在中文译文之前，中文译文、英文原文编号顺延）

（注2：

先将目录排好，基本对齐，然后选择段落-对齐方式-分散对齐）

遗传算法的参数分析

摘要

思维进化计算是模拟人类思维过程提出的一种很有潜力的新型演化算法。

思维进化计算已成功应用于求解数值优化问题，对TSP、常微分方程组建模和Job-shop调度问题等非数值优化问题也做了一定的研究，但目前思维进化计算尚未有关于非数值优化问题的通用算法框架。

本文针对解空间为有限空间的非数值优化问题，提出了求解这些问题的思维进化计算通用算法框架。

首先针对这些非数值优化问题的特点，抽象出它们的通用编码。

然后引入特征、信息矩阵的概念，提出了通用信息抽取和个体学习策略，从而实现了思维进化的趋同和异化操作，给出了通用的思维进化计算框架，并运用组合原理和马尔可夫链理论证明了该算法框架的全局收敛性。

最后通过应用该算法框架求解顶点着色问题、Job-shop调度问题验证了该算法框架的可行性、有效性。

该算法框架具有较强的通用性，适合于TSP、顶点着色问题、Job-shop调度问题、神经网络结构优化问题、系统建模等一大类非数值优化问题。

实际应用中将具体非数值优化问题合理转化，设计编码与解码策略，定义该问题的特征和信息矩阵等概念，就可以直接应用该框架。

本文研究为求解复杂的非数值优化问题提供了一种新的有效途径。

关键词：

非数值优化问题，思维进化计算，趋同，异化，信息矩阵

InheritanceAlgorithmicParameterAnalysis

ABSTRACT

MindEvolutionaryComputation（MEC）wasproposedbysimulatingtheprocessesofhumanmind.Itisanewpotentialevolutionaryalgorithm.MEChasbeenappliedtonumericaloptimizationproblems,andsomenon-numericaloptimizationproblems,forexampletravelingsalesmanproblem,job-shopscheduling,andModelingforSystemsofOrdinaryDifferentialEquations,aresolvedsuccessfullywithMEC.Buttheall-purposealgorithmofMECfornon-numericalproblemsdoesn’texist.

Inthispaper,MECalgorithmisintroducedforakindofnon-numericoptimizationproblemswhichsolutionspaceislimit.Firstanall-purposecodingmethodisinducedaccordingtothecommoncharacteristicsofthoseproblems.Thenaseriesofconcepts,forexamplecharacter,informationmatrix，etc，areintroduced.Soanall-purposesimilartaxisanddissimilationoperationsofMECforthoseproblemsaredesigned.ConsequentlyMECalgorithmforakindofnon-numericoptimizationproblemsisintroducedanditsglobalconvergenceisprovedwithcombinatorialtheoryandMarkovchain.Wesolvevertexcoloringproblemandjob-shopschedulingwiththisalgorithm.Ourexperimentsshowthatthisalgorithmisfeasibleandeffective.Thisalgorithmisall-purposeanditisfittedfortravelingsalesmanproblem,job-shopscheduling,vertexcoloringproblem,theoptimizationoftheartificialneuralnetworkarchitectureandModelingforSystems,etc.Whenwesolveanon-numericalproblemwiththisalgorithm,ifthisproblemisconvertedreasonablyandthecharacterandinformationmatrixofthisproblemaredefined,thenthisalgorithmcanwork.TheMECalgorithmoffersanewall-purposeandeffectivemethodforakindofnon-numericalproblems.

Keywords：

non-numericalproblem，MindEvolutionaryComputation，similartaxis，dissimilation，informationmatrix

第1章绪论