论文部分内容阅读
遗传算法已经成为当前国内外学术界研究的一个热点问题,它是一种基于达尔文的优胜劣汰理论,通过模拟自然界生物进化而产生的一种智能优化算法,具有设计简单、鲁棒性强、仅依靠适应度函数进行评价而不需要专门的领域知识等优点,使得它具有广泛的应用范围,目前已经成功应用于众多领域,并得到了很好的效果。目前,遗传算法作为进化计算研究的一个重要分支,引起了众多学者的关注,已经逐渐成为了人工智能领域研究的热点问题。作为一门新兴的技术,遗传算法仍然处于正在发展时期,缺乏坚实的理论基础。虽然在实际问题中得到了广泛的应用,但是在应用的过程中仍存在群体提前收敛(早熟)、局部搜索能力弱等问题。针对以上问题,很多学者已经提出了许多解决办法或解决策略,也都得到了一定的效果。本文在众多学者研究的基础上,也对遗传算法的“早熟”问题进行了研究,主要工作及研究内容如下：(1)从遗传算法的基本思想、基本结构以及算法实现等多方面,详细的介绍了遗传算法,并从模式定义、积木块假设及内涵并行性定理等三方面研究了支持遗传算法的理论基础。(2)详细介绍了遗传算法“早熟”现象的相关内容,尤其是产生“早熟”的原因及其防止策略,并由此探讨了抑制遗传算法“早熟”现象的改进策略及其各自的优缺点。(3)在其他学者研究的基础上,本文通过采用自适应精英交叉思想,并融合剩余随机抽样机制,对标准遗传算法进行了改进,提出了另一种新的改进算法AERGA。AERGA中对精英交叉策略进行了改进,即引入了自适应机制,对精英交叉概率进行自适应调节,并与剩余随机抽样机制有机的融合并在一起形成了一种新的改进算法。(4)本文通过采用剩余随机抽样机制和动态引入新个体的思想,对标准的自适应遗传算法进行改进,提出了一种新的改进算法RDAGA。RDAGA将剩余随机抽样机制与动态引入新个体的思想有机结合,并对交叉算子和变异算子进行了改进,有效的维持了群体的多样性。最后,基于MATLAB仿真平台对两种新改进的算法进行了仿真测试,通过实验数据比较,证明本文的改进算法对抑制遗传算法的“早熟”现象是有一定效果的。