基于组织型膜系统的改进遗传算法研究与应用
发布时间：2021-10-20 11:33
膜计算（Membrane Computing,MC）作为自然计算中一个相对年轻的分支,它是从细胞、组织以及器官的结构和功能中抽象出来的计算模型,具有极大并行性、分布式、非确定性等特点。膜计算为生物分子计算以及非传统计算提供了一个新的计算框架。目前,膜计算已被广泛地应用于众多领域。遗传算法是通过模拟自然界生物进化论而成的并行随机搜索优化方法。遗传算法作为进化计算（Evolutionary Computing,EC）领域内发表研究成果最多的分支,是进化计算体系的中心。MC和EC都是自然计算领域内非常重要的分支,探索两者的交叉研究方向具有广阔的前景和重要的意义。本文探索膜计算与遗传算法的交叉应用,探究进化算法在膜计算上的实现问题。数据挖掘的任务之一是发现一堆数据中的相似模式,并对其进行定量化描述。聚类分析属于无监督机器学习的一种,聚类分析就是依据某种度量相似性标准,将特征相似的样本归为一类,从而使得类内差异较小,类间差异较大。聚类分析本质上是一种优化问题。膜计算凭借着自身分布式并行的特征,在解决复杂优化问题方面有不可比拟的优势。物流配送中心在商品流通系统中起着关键作用,是供货点与需求点之间的...
【文章来源】：山东师范大学山东省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 膜计算研究现状
1.2.2 遗传算法研究现状
1.2.3 膜计算与遗传算法结合研究现状
1.2.4 聚类问题研究现状
1.3 理论概述
1.3.1 组织型P系统
1.3.2 遗传算法
1.4 论文内容及创新点
1.5 论文结构安排
第2章 基于组织型P系统的浓度调节遗传算法(TPCGA)
2.1 基于浓度调节的遗传算法(CGA)设计
2.1.1 浓度选择策略
2.1.2 精英保存策略
2.1.3 基于浓度调节的遗传算法基本流程
2.2 基于组织型P系统的浓度调节遗传算法设计
2.2.1 组织型P系统结构设计
2.2.2 组织型P系统规则表述
2.2.3 基于组织P系统的浓度调节遗传算法基本流程
2.3 实验分析
2.3.1 测试函数
2.3.2 实验结果分析
2.4 本章小结
第3章 基于组织型P系统的改进自适应遗传算法(TPIAGA)
3.1 基于模拟退火策略的改进自适应遗传算法设计
3.1.1 模拟退火策略
3.1.2 自适应算子设计
3.1.3 基于模拟退火的自适应遗传算法基本流程
3.2 基于组织型P系统的改进自适应遗传算法设计
3.2.1 组织型P系统结构设计
3.2.2 组织型P系统规则表述
3.2.3 基于组织型P系统的改进自适应遗传算法基本流程
3.3 实验分析
3.3.1 测试函数
3.3.2 实验结果分析
3.4 本章小结
第4章 TPIAGA算法在模糊C均值聚类中的应用
4.1 模糊C均值聚类
4.1.1 模糊C均值聚类理论
4.1.2 模糊C均值聚类步骤
4.2 基于TPIAGA算法改进的模糊C均值聚类
4.2.1 P系统的创建
4.2.2 基于TPIAGA算法的FCM聚类的基本流程
4.3 实验验证及分析
4.4 本章小结
第5章 TPCGA算法在物流选址问题中的应用
5.1 物流配送中心选址问题研究现状
5.2 物流配送中心选址问题模型构建
5.3 TPCGA算法在物流配送中心选址问题中的设计流程
5.3.1 编码设计
5.3.2 种群初始化
5.3.3 适应度函数设计
5.3.4 遗传算子设计
5.4 实验验证及结果分析
5.4.1 仿真实验
5.4.2 结果分析
5.5 本章小结
第6章 总结与展望
6.1 总结
6.2 研究展望
参考文献
攻读硕士学位期间发表的论文及参与的科研项目
攻读硕士学位期间的获奖情况
致谢
【参考文献】：
期刊论文
[1]自适应变异免疫算法在物流配送中心选址中的应用[J]. 平环,宋初一,姜静清. 内蒙古民族大学学报(自然科学版). 2017(05)
[2]基于多种群搜索的PSO的物流配送中心寻址求解[J]. 李磊,杨爱峰,唐娜,陈亚波. 合肥工业大学学报(自然科学版). 2017(02)
[3]基于改进混合遗传算法的冷链物流配送中心选址优化[J]. 袁群,左奕. 上海交通大学学报. 2016(11)
[4]基于整数规划的物流配送中心选址研究[J]. 章海燕. 佳木斯职业学院学报. 2016(03)
[5]一种基于膜计算的遗传算法图像分割方法[J]. 谢佩军. 工业控制计算机. 2015(04)
[6]膜计算与遗传禁忌混合算法在输电网规划中的应用[J]. 凌骁洲,张彼德,邹江平,邓钧,张强,何頔. 水电能源科学. 2014(07)
[7]遗传算法的爬山法改进[J]. 柴岩,周艳钊. 辽宁工程技术大学学报(自然科学版). 2014(07)
[8]改进的遗传算法求解旅行商问题[J]. 于莹莹,陈燕,李桃迎. 控制与决策. 2014(08)
[9]物流配送中心选址的重心法探讨[J]. 程珩,牟瑞芳. 交通运输工程与信息学报. 2013(01)
[10]遗传算法研究进展[J]. 马永杰,云文霞. 计算机应用研究. 2012(04)
博士论文
[1]膜计算优化方法研究[D]. 黄亮.浙江大学 2007
本文编号：3446835
【文章来源】：山东师范大学山东省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 膜计算研究现状
1.2.2 遗传算法研究现状
1.2.3 膜计算与遗传算法结合研究现状
1.2.4 聚类问题研究现状
1.3 理论概述
1.3.1 组织型P系统
1.3.2 遗传算法
1.4 论文内容及创新点
1.5 论文结构安排
第2章 基于组织型P系统的浓度调节遗传算法(TPCGA)
2.1 基于浓度调节的遗传算法(CGA)设计
2.1.1 浓度选择策略
2.1.2 精英保存策略
2.1.3 基于浓度调节的遗传算法基本流程
2.2 基于组织型P系统的浓度调节遗传算法设计
2.2.1 组织型P系统结构设计
2.2.2 组织型P系统规则表述
2.2.3 基于组织P系统的浓度调节遗传算法基本流程
2.3 实验分析
2.3.1 测试函数
2.3.2 实验结果分析
2.4 本章小结
第3章 基于组织型P系统的改进自适应遗传算法(TPIAGA)
3.1 基于模拟退火策略的改进自适应遗传算法设计
3.1.1 模拟退火策略
3.1.2 自适应算子设计
3.1.3 基于模拟退火的自适应遗传算法基本流程
3.2 基于组织型P系统的改进自适应遗传算法设计
3.2.1 组织型P系统结构设计
3.2.2 组织型P系统规则表述
3.2.3 基于组织型P系统的改进自适应遗传算法基本流程
3.3 实验分析
3.3.1 测试函数
3.3.2 实验结果分析
3.4 本章小结
第4章 TPIAGA算法在模糊C均值聚类中的应用
4.1 模糊C均值聚类
4.1.1 模糊C均值聚类理论
4.1.2 模糊C均值聚类步骤
4.2 基于TPIAGA算法改进的模糊C均值聚类
4.2.1 P系统的创建
4.2.2 基于TPIAGA算法的FCM聚类的基本流程
4.3 实验验证及分析
4.4 本章小结
第5章 TPCGA算法在物流选址问题中的应用
5.1 物流配送中心选址问题研究现状
5.2 物流配送中心选址问题模型构建
5.3 TPCGA算法在物流配送中心选址问题中的设计流程
5.3.1 编码设计
5.3.2 种群初始化
5.3.3 适应度函数设计
5.3.4 遗传算子设计
5.4 实验验证及结果分析
5.4.1 仿真实验
5.4.2 结果分析
5.5 本章小结
第6章 总结与展望
6.1 总结
6.2 研究展望
参考文献
攻读硕士学位期间发表的论文及参与的科研项目
攻读硕士学位期间的获奖情况
致谢
【参考文献】：
期刊论文
[1]自适应变异免疫算法在物流配送中心选址中的应用[J]. 平环,宋初一,姜静清. 内蒙古民族大学学报(自然科学版). 2017(05)
[2]基于多种群搜索的PSO的物流配送中心寻址求解[J]. 李磊,杨爱峰,唐娜,陈亚波. 合肥工业大学学报(自然科学版). 2017(02)
[3]基于改进混合遗传算法的冷链物流配送中心选址优化[J]. 袁群,左奕. 上海交通大学学报. 2016(11)
[4]基于整数规划的物流配送中心选址研究[J]. 章海燕. 佳木斯职业学院学报. 2016(03)
[5]一种基于膜计算的遗传算法图像分割方法[J]. 谢佩军. 工业控制计算机. 2015(04)
[6]膜计算与遗传禁忌混合算法在输电网规划中的应用[J]. 凌骁洲,张彼德,邹江平,邓钧,张强,何頔. 水电能源科学. 2014(07)
[7]遗传算法的爬山法改进[J]. 柴岩,周艳钊. 辽宁工程技术大学学报(自然科学版). 2014(07)
[8]改进的遗传算法求解旅行商问题[J]. 于莹莹,陈燕,李桃迎. 控制与决策. 2014(08)
[9]物流配送中心选址的重心法探讨[J]. 程珩,牟瑞芳. 交通运输工程与信息学报. 2013(01)
[10]遗传算法研究进展[J]. 马永杰,云文霞. 计算机应用研究. 2012(04)
博士论文
[1]膜计算优化方法研究[D]. 黄亮.浙江大学 2007
本文编号：3446835
本文链接：https://www.wllwen.com/guanlilunwen/wuliuguanlilunwen/3446835.html
