论文部分内容阅读
在人工智能系统、人工神经网络之后，又出现了一个令人瞩目的学科，它就是进化计算。它很好的模拟了达尔文提出的生物进化和遗传的过程。进化计算依照“适者生存”的原则，通过一组随机产生的初始可行解，借助选择、交叉、变异等遗传操作，逐步逼近我们所研究的问题的最优解。从根本上讲，我们研究的进化算法，其实是一种具有自适应调节功能的搜索寻优技术。在许多发达国家，进化计算已被成功地运用于许多领域，其中包括机械、化工、计算机、建筑等等。在这些方面，进化计算都得到了很好的推广。并且它在解决非线性优化、结构优化、并行计算等复杂问题方面很有成效。近10年当中，进化计算有了空前的发展，在我国也得到了前所未有的重视和推广，特别是遗传算法（GA），已被成功运用于许多领域当中。但是随着时代的发展，问题规模不断扩大，问题的复杂程度也在不断增加。因此，我们对算法的求解速度和精度也就有了更高的要求。由于遗传算法在处理复杂优化问题时往往会出现“早熟”现象，导致收敛的精度不高，严重的制约了其在复杂优化问题当中的应用。基于此种情况，本文以模式理论为基础，提出了基于模式的遗传操作策略，从而有效的改善了上述不足。本文首先针对二进制编码计算效率低，收敛速度慢并易于局部收敛的缺点，结合达尔文生物进化论，从模式理论的角度出发，提出一种基于优良模式的保护策略，并建立了一种基于优良模式保护的遗传算法（BS-GA），给出了优良模式的选择方法和具体的执行步骤，并针对交叉和变异运算给出了优良模式的保护措施。根据Markov理论，我们讨论了BS-GA的全局收敛性。然后通过实例研究，分析和比较了BS-GA和传统遗传算法收敛性能的差异。其次，针对十进制编码当中出现的”早熟”和收敛值不精确等问题，本文基于模式理论，提出了一种基于十进制编码优良模式的保护策略，并建立了基于十进制编码优良模式保护的算法（BS10-GA）。结合Markov理论和一些实例，我们分析和比较了BS10-GA的收敛性能。最后证明这两种算法都可以有效地提高遗传算法的收敛精度和稳定性。