论文部分内容阅读
遗传算法是一种借鉴生物界自然选择和适者生存遗传机制的高度并行、随机、自适应搜索算法，它主要用于处理最优化问题和机器学习。隐含并行性和对全局信息的有效利用是遗传算法的两大显著特点，前者使遗传算法只须检测少量的结构就能反映搜索空间的大量区域，后者使遗传算法具有稳健性。遗传算法尤其适合于处理传统搜索方法解决不了的复杂问题和非线性问题。目前，遗传算法已经广泛应用于数据挖掘、生产调度、函数优化、机器学习、自适应机制、规划设计和人工生命等领域，是21世纪有关智能计算的关键技术之一。本文主要从遗传算法的理论、实现和应用相结合的角度出发，对各种遗传算法，特别是混合遗传算法和应用进行了系统的研究，主要工作如下：
(1)对遗传算法的基本原理和实现技术进行了概括和总结。对遗传算法的各要素(编码、适应度函数、遗传算子、和参数选择等)进行了综合分析，给出了评价遗传算法的一些指标，并指出了遗传算法存在的一些缺陷和不足。
(2)针对遗传算法容易陷入局部极小，过早收敛这一缺陷，以及对于某一特定领域而言，遗传算法一般不是最优求解方法。本文将共轭梯度法、模拟退火算法、混沌优化算法等局部搜索能力很强的优化算法融入到遗传算法中，并对融入混沌优化算法的混合遗传算法进行测试，结果表明改进的遗传算法能更有效地搜索到最优解或满意解。
(3)将遗传算法应用到煤分子组装结构优化过程中，结合国家自然科学基金项目《煤大分子计算机组装与分子动力学模拟研究(40472082)》，设计出了一种计算机自动生成煤大分子结构的方法。
(4)利用腐殖酸对所建的煤分子组装结构优化模型进行综合评价，评价结果表明与实际情况基本上相吻合，从而说明所建模型是有效的，利用遗传算法求解也是有效的。