混合分布估算算法的研究与应用

论文摘要

分布估算算法（Estimation of distribution algorithms,简称EDA算法）是近几年产生的一种新的启发式进化算法,它的特点是:以概率论为理论基础,以群体为操作对象,用概率模型来描述搜索空间上的可行解的分布,以这个分布采样为基础搜索空间,产生下一代种群。本文旨在利用EDA算法所特有的概率模型与搜索过程,把EDA算法分别与最大最小蚂蚁系统和遗传算法相混合,以获得较好的优化性能。为了验证融合后的算法的有效性,本文把混合后的算法分别用于求解QAP问题和p-median问题。本论文从混合算法的角度研究了一阶分布估算算法,并把混合后的算法用于QAP和p-median问题。结果表明,混合后的算法有效地提高了一阶分布估算算法在求解非性问题时的效率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究内容
• 1.2.1 目标问题
• 1.2.2 相关算法
• 1.3 研究意义
• 1.4 本文结构
• 第二章 分布估算算法及其相关算法
• 2.1 元启发
• 2.1.1 元启发的定义
• 2.1.2 元启发的分类
• 2.2 遗传算法
• 2.2.1 编码
• 2.2.2 适应度函数计算
• 2.2.3 遗传操作
• 2.2.4 遗传算法的基本原理
• 2.3 EDA算法
• 2.3.1 EDA算法理论背景
• 2.3.2 EDA算法
• 2.3.3 分布估算算法的研究趋势
• 2.4 蚁群算法
• 2.4.1 蚁群算法的起源
• 2.4.2 蚁群算法的基本原理
• 2.4.3 蚁群算法的研究现状
• 2.4.4 蚁群算法的改进
• 2.5 小结
• 第三章 EDA-MMAS混合算法在p-median问题上的应用
• 3.1 引言
• 3.2 p-median问题的地形图分析
• 3.2.1 地形图分析基本理论
• 3.2.2 p-median问题的适应度地形分析
• 3.3 EDA-MMAS混合优化算法在p-median问题上的应用
• 3.3.1 个体编码
• 3.3.2 适应度计算
• 3.3.3 概率矩阵的生成
• 3.3.4 生成新个体
• 3.3.5 局部搜索
• 3.3.6 伪代码描述
• 3.4 实例测试
• 3.4.1 gr100、gr150实例测试
• 3.4.2 pmed类型实例测试
• 3.5 小结
• 第四章 EDA-GA混合算法在QAP问题上的应用
• 4.1 引言
• 4.2 用于解QAP的EDA和GA混合算法
• 4.2.1 个体编码
• 4.2.2 适应度计算及其个体选择
• 4.2.3 交叉
• 4.2.4 特征提取
• 4.2.5 指导产生新个体
• 4.2.6 局部搜索
• 4.2.7 多样性机制
• 4.2.8 GGH-QAP整体流程
• 4.3 实例测试
• 4.3.1 参数设置
• 4.3.2 运行结果及其比较
• 4.3.3 特征提取系统的验证
• 4.4 小结
• 第五章 总结与展望
• 参考文献
• 发表文章目录
• 代码说明及代码片段