单目标_多目标遗传算法的研究

论文摘要

遗传算法（ Genntic A lgorithm ）是由美国密歇根大学的Ho lland教授根据生物进化理论提出的一种基于种群搜索的优化算法.由于遗传算法简单,高效,且不受具体问题的限制,在函数优化、图像处理、系统辨识、自动控制、经济预测和工程优化领域都得到了广泛的应用。近年来,对遗传算法的研究主要集中在了执行策略和遗传算子的设计方面,在理论研究上主要针对遗传算法收敛速度慢、欺骗问题、局部搜索能力差、最优解精度低等问题。针对简单遗传算法易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法,该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与简单标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.在科技高速发展的今天,大量的科学研究和工程实践都属于多目标优化问题,怎样处理复杂的多目标优化问题是我们研究的又一热点。在处理多目标优化问题的众多方法中,多目标遗传算法发挥了重要的作用。本文的另一项研究工作就是把单目标遗传算法的改进策略引入了多目标遗传算法中。带精英选择策略的非支配排序法（NSGA-Ⅱ）是多目标遗传算法中的经典算法,文章以NSGA-Ⅱ为研究对象,应用单目标中的改进策略来改进NSGA-Ⅱ搜索性能,通过大量仿真实例证明,本文提出的改进策略在多目标遗传算法中依然行之有效。最后,本文对算法的不足之处做了总结,提出了另外的改进途径,并展望了遗传算法的发展前景。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 研究现状及本文工作
• 1.3 本文的主要工作及其内容安排
• 第二章 基本遗传算法
• 2.1 遗传算法中的数学基础
• 2.1.1 模式定理
• 2.1.2 积木块假设
• 2.1.3 遗传算法的收敛性分析
• 2.2 基本遗传算法的描述
• 2.2.1 编码方式
• 2.2.2 适应度函数
• 2.2.3 选择策略
• 2.2.4 交叉算子
• 2.2.5 变异算子
• 2.3 遗传算法参数选取原则
• 2.4 本章小结
• 第三章 遗传算法的改进
• 3.1 典型的改进遗传算法
• 3.1.1 分层遗传算法
• 3.1.2 CHC 算法
• 3.1.3 小生境遗传算法
• 3.1.4 自适应遗传算法
• 3.2 一种新的自适应二进制遗传算法
• 3.2.1 改进遗传算法的原理及其实现
• 3.2.2 实例仿真及其结果
• 3.3 本章小结
• 第四章 改进策略在多目标遗传算法中的实现
• 4.1 多目标优化算法概论
• 4.2 几种常用多目标优化算法
• 4.2.1 基于权重的多目标遗传算法
• 4.2.2 向量评价遗传算法
• 4.2.3 共享函数法
• 4.2.4 非支配排序遗传算法（NSGA）
• 4.2.5 带精英选择策略的非支配排序（NSGA-Ⅱ）
• 4.3 NSGA-Ⅱ的改进策略
• 4.4 改进的NSGA-Ⅱ仿真结果
• 4.5 本章小结
• 第五章 遗传算法的应用
• 5.1 遗传算法在组合优化问题中的应用
• 5.2 遗传算法在路由分配中的应用
• 5.2.1 染色体的适应度
• 5.2.2 交叉操作
• 5.2.3 变异操作
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 全文内容小结
• 6.2 本文的后续工作
• 参考文献
• 发表论文和科研情况说明
• 致谢