基于庄家法则和信息熵的多目标遗传算法研究与应用

论文摘要

遗传算法由Holland博士提出,它的灵感来自于自然界生物的一代代不断繁衍进化的过程,后经由Goldberg等人进行优化,目前己得到长足的发展。遗传算法从提出到现在仅仅二三十年,但由于其自身独具的优越性,和在多目标问题的求解方面的明显优势,令其成为了科学界研究的热点。并且在生产调度、飞行器控制、工业机器人设计、图像处理等科学应用的各个领域都得到了广泛的应用。本文首先介绍遗传算法的起源、发展和研究现状,并着重介绍了遗传算法的基本原理和算法结构,以及各种多目标算法的具体模型及各自的优缺点。然后重点对庄家法则和信息熵方法进行研究。庄家法则是应用遗传算法求解问题的一种重要方法,优点是速度快,效率高,但解集的分布性和多样性较差。信息熵在信息论中用以描述信息量之多寡的量,同时也是保持解集的分布性的一种有效方法。本文提出的方法是在利用庄家法则选取庄家之前,先对群体进行基本遗传操作,并计算群体的熵值,当熵值达要求时,再对群体进行庄家个体的选取,进行庄家法则计算,选出的个体的具有分布性和多样性较好的特点。这样本文的算法就具有速度快和分布性好的双重优点。最后将本文提出的算法应用到供水系统中,用实验的方法证明了算法的优越性。图16表3参47

论文目录

• 摘要
• Abstract
• 插图或附表清单
• 1 绪论
• 1.1 多目标遗传算法简介
• 1.1.1 遗传算法的研究历程
• 1.1.2 遗传算法的研究现状
• 1.2 论文的研究内容和意义
• 1.2.1 论文主要内容
• 1.2.2 研究意义
• 2 遗传算法基本原理和算法结构
• 2.1 遗传算法基本原理
• 2.1.1 基本术语
• 2.1.2 基本操作方法
• 2.1.3 遗传算法运算过程
• 2.2 遗传算法的优缺点
• 2.2.1 遗传算法的优点
• 2.2.2 遗传算法的缺点
• 3 多目标进化算法
• 3.1 多目标进化算法
• 3.1.1 什么是多目标问题
• 3.1.2 多目标进化算法中的基本概念
• 3.2 多目标遗传算法的发展
• 3.2.1 Schaffer及Fonseca的研究
• 3.2.2 NSGA
• 3.2.3 NPGA
• 3.2.4 SPEA
• 3.2.5 PESA
• 3.2.6 PAES
• 3.2.7 MGAMOO
• 3.2.8 MOMGA
• 3.2.9 基于密度的多目标算法
• 3.2.10 mBOA
• 4 基于庄家法则和信息熵的多目标遗传算法
• 4.1 庄家法则
• 4.2 信息熵
• 4.3 基于庄家法则和信息熵的遗传算法
• 4.4 数值实验
• 5 改进多目标进化算法在供水系统优化中的应用
• 5.1 引言
• 5.2 水泵调度优化模型
• 5.3 算法分析与设计
• 5.4 计算实例与结果分析
• 结论
• 参考文献
• 致谢
• 作者简介及读研期间主要科研成果