模糊遗传算法与资源优化配置的预测控制

发布时间：2017-10-20 20:51

  本文关键词：模糊遗传算法与资源优化配置的预测控制

  更多相关文章： 资源配置 预测控制 模糊理论 神经网络 遗传算法

【摘要】：经典的遗传算法解决的是确定性变量的寻优问题,对于不确定性变量(如模糊变量)的寻优仍没有较深入的研究。针对高校资源的优化配置问题,发现确定性的优化配置结果,由于有各种不确定因素的影响,实际应用配置很难实现。如何通过定义与设计模糊遗传算法,解决模糊变量寻优问题,通过模糊个体定义,模糊选择、交叉、变异算子运算,以模糊不确定性度量表示模糊最优解与模糊适值函数关系,拓展一类模糊变量最优问题的应用,不仅是当今研究的热点问题,也是本文的研究重点。针对经典遗传算法不能解决模糊寻优问题的情况,本文在已有的研究基础上,提出了适用于解决模糊寻优问题的模糊遗传算法。针对经典遗传算法中的五大遗传要素,本文对其重新定义如下:首先在个体模糊编码上,将模糊变量隶属于各个模糊子集的隶属度作为基因,使得输入模糊化;然后,通过模糊神经网络求得投入额、投入额变化率与绩效之间的模糊非线性关系,用于设计模糊适值函数,并且在交叉、变异算子中引入隶属度函数来作为是否进行该遗传操作的判定条件,通过这两步使得过程模糊化;最后,通过输出模糊最优个体以及其对应的模糊适值来使得输出模糊化。现有的“模糊遗传”研究,主要集中在两方面:1)在经典遗传中引入一些模糊控制规则,使得交叉、变异概率自适应地变化;2)仅有个体的模糊化,其他环节均与经典遗传无异.针对这些问题,本文依照经典遗传的五大要素,对模糊个体编码、模糊适值函数设计、模糊遗传操作及模糊输出都进行较深入的研究,提出了较全面的模糊遗传算法,并给出了模糊遗传的模式定理论述。论文应用项目组提供的数据与资料,对高校资源优化配置进行了预测与控制:预测是通过不同配置来预测绩效,主要是应用神经网络实现;而控制则是在给定绩效目标(如绩效需达到优秀)下,寻求最优配置,并把得到的最优配置作为参照的控制标准。在应用模糊遗传算法得到模型结果后,论文也与经典遗传算法的结果进行分析比较,以此论证模糊遗传算法的有效性。本文以Mat lab语言设计编程实现模糊遗传算法,在高校资产配置中,对配置方案进行了统计检验,得到了满意的结果。
【关键词】：资源配置 预测控制 模糊理论 神经网络 遗传算法
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：G647;TP18
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-15
• 1.1 问题引入11-12
• 1.2 选题意义12
• 1.3 国内外研究现状12
• 1.4 本文研究思路12-13
• 1.5 研究方法13
• 1.6 论文结构安排13
• 1.7 本章小结13-15
• 第二章 相关建模理论概述15-24
• 2.1 模糊理论15-16
• 2.1.1 模糊概述15
• 2.1.2 模糊集合与隶属函数15-16
• 2.2 模糊神经网络16-21
• 2.2.1 神经网络概述16-18
• 2.2.2 模糊神经网络概述18-21
• 2.3 遗传算法21-23
• 2.3.1 传统遗传算法21-22
• 2.3.2 遗传算法实现技术22-23
• 2.4 本章小结23-24
• 第三章 经典遗传算法建模24-35
• 3.1 项目概述24
• 3.1.1 问题背景24
• 3.1.2 问题描述24
• 3.1.3 研究思路24
• 3.2 原始数据信息24-25
• 3.3 数据预处理25-26
• 3.4 遗传算法建模26-34
• 3.4.1 个体编码26
• 3.4.2 适值函数26-33
• 3.4.3 遗传操作算子33
• 3.4.4 参数设置33
• 3.4.5 模型输出33-34
• 3.5 本章小结34-35
• 第四章 模糊不确定性遗传算法理论35-45
• 4.1 模糊寻优概述35-36
• 4.2 模糊遗传算法36-44
• 4.2.1 模糊遗传算法概述36
• 4.2.2 模糊遗传算法五大要素定义36-40
• 4.2.3 模糊遗传算法流程40-42
• 4.2.4 模糊遗传算法的模式定理论述42-44
• 4.3 本章小结44-45
• 第五章 模糊遗传算法建模45-60
• 5.1 问题描述45
• 5.2 研究思路45
• 5.3 模糊遗传算法建模过程45-58
• 5.3.1 模糊神经网络建模45-51
• 5.3.2 模糊遗传算法五大要素实例化51-58
• 5.4 两种遗传算法的结果对比58-59
• 5.5 本章小结59-60
• 结论60-61
• 参考文献61-64
• 附录64-76
• 攻读硕士学位期间取得的研究成果76-77
• 致谢77-78
• 附件78

【参考文献】

中国期刊全文数据库 前6条

1 李擎,郑德玲,唐勇,陈占英;一种新的模糊遗传算法[J];北京科技大学学报;2001年01期

2 谭光兴;屈文建;;基于pareto遗传算法的高等教育资源优化配置[J];科技管理研究;2010年11期

3 张培林;钱林方;曹建军;任国全;;基于蚁群算法的支持向量机参数优化[J];南京理工大学学报(自然科学版);2009年04期

4 雷玉梅;;基于改进遗传算法的大规模TSP问题求解方案[J];计算机与现代化;2015年02期

5 姜明辉;许佩;任潇;车凯;;个人信用评分模型的发展及优化算法分析[J];哈尔滨工业大学学报;2015年05期

6 刘东平;单甘霖;张岐龙;段修生;;基于改进遗传算法的支持向量机参数优化[J];微计算机应用;2010年05期

中国硕士学位论文全文数据库 前1条

1 张芳;基于改进GA的模糊神经网络参数学习算法及其应用的研究[D];中南大学;2007年

，

本文编号：1069296