遗传算法的漂移效应与利用研究

发布时间：2021-02-14 19:21

　　遗传算法是一种广泛使用的优化算法,它有很多优点,但在耦合函数上容易陷入局部最优以及精度不高。目前常用的遗传算法加入了精英策略加快算法收敛速度且提高精度,但算法存在过早收敛的问题。本文使用了无精英策略的标准遗传算法进行实验发现遗传算法的种群并非一直收敛于某一个山峰上,而是在不同时间段会聚集在不同的山峰上。这种种群从一个山峰漂移到另外一个山峰上的现象,称之为遗传算法的漂移效应。本文对多个benchmark函数进行实验,使用可视化手段,在遗传算法发生漂移效应时跟踪每个个体的具体位置并记录下来。通过分析实验结果数据,本文进一步总结发生漂移效应的以下一系列规律:1.移除精英策略,2.适应度函数为耦合函数,3.需要对适应度函数进行适当调整使得函数扁平化。另外,常用的遗传算法使用的变异方式主要采用浮点数编码变异。该变异方式在同一时刻很少有若干个变量发生改变,限制了遗传算法的搜索方位。结合浮点数编码以及二进制位变异的优点,本文提出浮点数位变异方式。该变异方式使用浮点数硬件存储的二进制编码形式进行位变异,增强了算法的全局搜索能力。结合遗传算法的漂移效应以及移除精英策略等改进方案,本文提出漂移遗传算法。在... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：99 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 遗传算法研究现状
    1.3 研究创新点
    1.4 论文结构安排
第二章 遗传算法的概况
    2.1 遗传算法的历史
    2.2 遗传算法主要特征及基本概念
    2.3 标准遗传算法的结构
        2.3.1 编码方式以及解码方式
        2.3.2 选择操作
        2.3.3 交叉操作
        2.3.4 变异操作
        2.3.5 精英策略以及灾变
    2.4 遗传算法的基本理论
        2.4.1 模式定理
        2.4.2 马尔可夫链（Markov链）
        2.4.3 收敛性分析
    2.5 遗传算法的研究成果
    2.6 本章小结
第三章 遗传算法漂移效应及其分析
    3.1 实验设定
    3.2 遗传算法漂移的表现
    3.3 遗传算法漂移的原因分析
    3.4 本章小结
第四章 遗传算法浮点数位变异
    4.1 遗传算法的变异方式
        4.1.2 浮点数随机重设变异
        4.1.3 交换变异
        4.1.4 混乱变异
        4.1.5 倒置变异
        4.1.6 高斯变异
    4.2 浮点数位变异方式
    4.3 本章小结
第五章 验证实验
    5.1 实验设定
    5.2 各Benchmark函数的现象与观察
        5.2.1 Ackley函数
        5.2.2 Rastrigin函数
        5.2.3 Schwefel函数
        5.2.4 Shubert函数
        5.2.5 Six hump camelback函数
        5.2.6 附加函数
    5.3 实验结果分析
    5.4 本章小结
第六章 漂移效应的应用
    6.1 基于漂移效应的改进
    6.2 实验设定
    6.3 实验结果分析
    6.4 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3033721